量化模型与构建方式 1. 日频高/低位放量事件模型 模型名称：日频高/低位放量事件模型[1] 模型构建思路：基于日频数据，通过判断股价是否处于历史高/低位以及成交量是否异常放大，来识别“高位放量”和“低位放量”事件信号[13] 模型具体构建过程： 1. 低位放量事件定义：同时满足以下两个条件： * 当日收盘价处于过去120个交易日的10%分位数及以下 * 当日成交量高于过去120个交易日的均值 + 1.5倍标准差 2. 高位放量事件定义：同时满足以下两个条件： * 当日收盘价处于过去120个交易日的90%分位数及以上 * 当日成交量高于过去120个交易日的均值 + 1.5倍标准差 3. 资金通道策略构建[18]： * 设置4个资金通道，每个通道持股周期为20个交易日 * 每周末，回看过去5个交易日，将在过去5日内所有曾触发事件的股票视为目标股票池 * 下周初开盘时，在空闲资金通道中等权买入目标股票池中的股票，持有20个交易日后平仓 * 计算4个资金通道的净值并求和，得到组合整体净值 2. 高频高/低位放量事件簇模型 模型名称：高频高/低位放量事件簇模型[25] 模型构建思路：借助高频量价数据，从“高/低位”和“放量”两个维度进行多视角、多维度的事件识别，批量生产事件信号，并通过筛选和合成得到稳定有效的事件簇综合信号[26] 模型具体构建过程： 整个构建流程分为三个主要步骤[26]： 1. 事件识别：多维度定义“高/低位”和“放量”[27] * 价格高/低位识别[29][31]： * 对比时间段：日内固定对比（当天分钟序列）或日间滚动对比（过去20个交易日分钟序列） * 判定阈值： * 分位数法：价格大于对比序列90%分位数定义为高位，小于10%分位数定义为低位 * 均值标准差法：价格大于对比序列均值+N倍标准差定义为高位，小于均值-N倍标准差定义为低位（日内N=3，日间N=1.5） * 放量识别[32][38][39]： * 量的类型：成交量、成交金额、成交笔数、单笔成交金额 * 交易者划分： * 大小单：整体、超大单、大单、中单、小单 * 激进程度：整体、最激进、次激进、中等激进、次不激进、最不激进（参考逐笔委托订单与快照数据的交互）[34] * 交易方向：整体、主买、主卖[36] * 对比时间段：日内固定对比或日间滚动对比（过去20个交易日） * 判定阈值： * 分位数法：量大于对比序列90%分位数定义为放量 * 均值标准差法：量大于对比序列均值+N倍标准差定义为放量（日内N=3，日间N=1.5） 2. 信号定义：将“高/低位”与“放量”结合，生成事件信号[42] * 方式一：先看价、后看量：先识别价格处于高/低位的时间点，再根据这些时间点平均成交量判断是否放量 * 方式二：先看量、后看价：先识别放量的时间点，再根据这些时间点的平均价格判断是否处于高/低位 * 示例（先看量、后看价）[43]： * 每个交易日，计算当日240分钟成交量的90%分位数作为成交量阈值，计算240分钟收盘价的90%分位数作为价格高位阈值、10%分位数作为价格低位阈值 * 将当日成交量序列中大于成交量阈值的分钟标记为放量分钟 * 计算所有放量分钟对应的收盘价平均值，若该平均值大于价格高位阈值，则触发高位放量信号；若小于价格低位阈值，则触发低位放量信号 3. 信号筛选与合成：得到“事件簇”及“综合信号”[44] * 信号筛选：对每个信号构建资金通道策略，考察其收益表现及与其他信号的相关性，通过分时段（如2016-2018, 2019-2021）筛选，保留有效且低相关的事件信号，形成“事件簇”[45] * 信号合成（以低位放量为例）：若某股票某交易日同时触发事件簇中半数及以上信号，则视为触发低位放量综合信号[49] * 信号有机结合（低位放量+高位放量）[57]： * 在低位放量综合信号初筛的股票池基础上，剔除过去5日内曾触发高位放量综合信号的股票 * 基于筛选后的股票池构建资金通道策略（方法同前） 3. 事件驱动与多因子指增结合模型 模型名称：事件驱动与多因子指增结合模型[69][70] 模型构建思路：利用事件驱动信号与传统多因子指增策略的低相关性，通过多策略并行或负向剔除的方式对指增组合进行增强，提升组合稳定性或收益[69][70] 模型具体构建过程： 1. 多策略并行[69]： * 以一定仓位比例（如85%）配置模拟指增组合，另一部分仓位（如15%）配置事件驱动信号的通道策略 * 进行季度再平衡 2. 负向剔除[70][73]： * 在构建多因子指增组合时，因子值及指增约束条件不变 * 若当周有股票触发高位放量综合信号，则将其权重调整至满足约束条件的下限 模型的回测效果 1. 日频高/低位放量事件模型 * 日频低位放量信号通道策略：收益波动剧烈，甚至提供负向超额[18] * 日频高位放量信号通道策略：收益波动剧烈[18] 2. 高频高/低位放量事件簇模型 中证800成份股内表现 (2016/01/01-2025/10/31) * 低位放量综合信号通道策略[50][51]： * 年化收益：7.72% * 年化超额收益（vs 中证800等权）：7.67% * 超额年化波动：3.45% * 超额信息比率(IR)：2.22 * 超额最大回撤：4.68% * 周均持股数：约63只 * 高位放量综合信号通道策略[54][57]： * 年化收益：-10.16% * 基准相比策略年化超额：10.30% * 超额年化波动：7.19% * 超额信息比率(IR)：1.43 * 超额最大回撤：8.47% * 周均持股数：约24只 * 低位放量+高位放量叠加通道策略[58][60]： * 年化收益：9.24% * 年化超额收益（vs 中证800等权）：9.14% * 超额年化波动：3.79% * 超额信息比率(IR)：2.42 * 超额最大回撤：3.70% * 周均持股数：约50只 中证1000成份股内表现 * 低位放量综合信号通道策略[62][68]： * 年化超额收益（vs 中证1000）：8.12% * 超额年化波动：3.22% * 超额信息比率(IR)：2.52 * 超额最大回撤：4.47% * 周均持股数：约288只 * 高位放量综合信号通道策略[62][68]： * 基准相比策略年化超额：11.31% * 超额信息比率(IR)：2.16 * 周均持股数：约97只 * 低位放量+高位放量叠加通道策略[66][68]： * 年化超额收益（vs 中证1000）：9.13% * 超额年化波动：3.59% * 超额信息比率(IR)：2.55 * 超额最大回撤：3.82% 国证2000成份股内表现 * 低位放量综合信号通道策略[64][68]： * 年化超额收益（vs 国证2000）：6.04% * 超额年化波动：3.16% * 超额信息比率(IR)：1.91 * 超额最大回撤：3.27% * 周均持股数：约133只 * 高位放量综合信号通道策略[64][68]： * 基准相比策略年化超额：16.22% * 超额信息比率(IR)：2.77 * 周均持股数：约131只 * 低位放量+高位放量叠加通道策略[66][68]： * 年化超额收益（vs 国证2000）：7.58% * 超额年化波动：3.52% * 超额信息比率(IR)：2.16 * 超额最大回撤：4.62% 3. 事件驱动与多因子指增结合模型 多策略并行 (中证1000成份股内) * 原始模拟指增组合[69][70]： * 年化收益：11.88% * 年化波动：6.11% * 最大回撤：7.32% * 信息比率(IR)：1.94 * 卡玛比率：1.62 * 综合信号通道策略（低位放量+高位放量）[69][70]： * 年化收益：9.98% * 年化波动：5.32% * 最大回撤：7.42% * 信息比率(IR)：1.88 * 卡玛比率：1.35 * 多策略并行组合 (85%指增 + 15%事件驱动)[69][70]： * 年化收益：11.64% * 年化波动：5.38% * 最大回撤：6.15% * 信息比率(IR)：2.17 * 卡玛比率：1.89 负向剔除 (中证1000指增组合内) * 原始指增组合[73][75]： * 年化超额收益：23.51% * 跟踪误差：4.43% * 超额信息比率(IR)：5.31 * 超额最大回撤：5.98% * 卡玛比率：3.93 * 负向剔除后指增组合（加入高位放量信号）[73][75]： * 年化超额收益：24.84% * 跟踪误差：4.42% * 超额信息比率(IR)：5.62 * 超额最大回撤：5.44% * 卡玛比率：4.56 量化因子与构建方式 （报告核心内容聚焦于事件驱动策略模型的构建，未详细阐述独立的截面选股因子） 因子的回测效果 （报告核心内容聚焦于事件驱动策略模型的回测，未提供独立因子的测试结果）