2025年“量价淘金”选股因子系列研究：“高频数据+离散化构建方式”在因子研究中的重要性

一、前言

在多因子选股的研究领域中，关于“挖掘量价类新因子”的研究，涉及的核心因素为： 基于何种量价数据、如何构建因子。 对于数据源，根据其频率高低，可分为低频、中频、高频，低频如日度行情数据，中频 如分钟行情数据，高频如逐笔成交、逐笔委托数据等。由于中高频数据往往包含更详细 的投资者交易行为信息，因此利用中高频数据构建的因子有效性通常更强。 对于因子的构建方式，可以分为连续性构建、离散化构建。连续性的构建方式，即基于 某一段连续的数据计算因子，比如计算股票每日第一小时的分钟涨跌幅序列的标准差； 而离散化的构建方式，则基于几个离散的数据点计算因子，比如每个股票都根据当天的 实际交易情况，找到几个关键的时间点，再利用这些时间点附近的数据构建因子。

随着市场的发展与竞争的加剧、尤其是机器学习模型的普及，连续性的因子构建方法已 经越来越难有增量，即使利用高频数据构建的、单因子回测效果较强的连续性因子，我 们也经常发现其与众多低频数据构建的因子存在较高的相关性，一旦考察其相对于低频 数据构建因子以外的增量信息，有效性就会显著下降。因此，想要获取与现有多因子模 型低相关的增量信息，我们认为采用离散化的方式构建因子至关重要。 近些年，已经有很多因子研究者利用分钟数据构建离散化的因子，但大部分因子的有效 性也在快速衰减。因为在分钟层面人为提取的离散化信息，也很容易被机器学习等模型 提取到，比如只要在遗传算法中，输入分钟特征、加入离散化的算子，就可以批量、快 速挖掘出很多离散化的因子。遗传算法等模型的大量应用，导致分钟数据离散化因子的 拥挤度越来越高，有效性自然逐渐下降。

那么未来量价因子研究，获取更多增量信息的方向究竟在哪里？我们认为是“逐笔等高 频数据+离散化的因子构建方式”。逐笔数据由于其数据量庞大且不规整，目前几乎没有 研究者直接将其输入到机器学习等模型中。大家对于逐笔数据的普遍用法，是先将逐笔 降频为分钟或者秒级别的数据，再人为或者借助机器学习等模型来挖掘因子，直接利用 原始逐笔数据、批量构建离散化因子的做法相对较少。因此我们提出，未来量价因子的 研究，想要获取更多的、与现有因子低相关性的增量，以下两个条件缺一不可：逐笔等 高频数据、离散化的因子构建方式。 本篇报告将从一个具体的例子出发，将不同频率的数据源与不同的构建方式进行搭配， 借助本系列报告提出的“因子簇”的生产理念，挖掘不同种类的因子簇，并基于这些因 子簇构建常见的指数增强组合，通过对比分析指增组合的表现，展示“高频数据+离散化 构建方式”的重要性。

二、连续性的因子构建方式

2.1 日频数据+连续性构建

本文以量价因子中常见的“量价相关性类因子”为例，先用日频行情数据，构建一个量 价相关性因子簇，作为后续因子的比较基准。特别说明，由于日频行情序列的数据点较 少，若再进行离散化提取，则计算两个序列相关系数的误差较大，因此对于日频数据， 本文不构建离散化的量价相关性因子，只构建连续性因子。 本小节构建量价相关性类因子的步骤如下： （1）设计日度量价指标：日度量价数据，可从 wind 数据库中直接提取，本文用到的数 据包括个股每日的开盘价、最高价、最低价、收盘价、成交量、成交金额、成交笔数、 VWAP、大小单相关指标。其中，大小单相关指标，可分为 3 个维度，“超大单、大单、 中单、小单”，“买入、卖出、买入+卖出、买入-卖出”，“成交量、成交金额、成交笔数”， 这 3 个维度互相搭配，可产生 48 种不同的大小单指标。因此，通过这 一步骤，我们一共得到了 56 种日度量价指标。 （2）计算相关性：可分为上述指标两两之间的相关性、或者单一指标的自相关性。对于 两两指标互相之间的相关性，根据指标是否计算变化率、计算相关性时是否错位，可分 为多种情况，共可计算 18480 个因子；对于单一指标的自相关性，也可 通过类似的分类讨论，构建 280 个因子。因此基于日频数据，我们一共得到了 18760 个 量价相关性类因子。

对于上述因子，我们通过进一步筛选，保留有效且相关性较低的因子，得到“日频量价 相关性因子簇”（若无特别说明，本文在批量构建因子后，均通过下述操作进行因子筛选）： （1）在时间段 2016/01/01-2018/12/31 内，综合考虑因子的 IC、ICIR、10 分组多头超 额收益、10 分组多头超额收益的信息比率以及因子互相之间的相关性，挑选效果较优且 相关性较低的因子； （2）对于挑选出的因子，再考虑它们 2019/01/01-2021/12/31 的 IC、ICIR、10 分组多 头超额收益、10 分组多头超额收益的信息比率以及因子互相之间的相关性，进一步挑选 其中效果较优且相关性较低的因子，称之为基于日频数据构建的量价相关性因子簇 （2022 年开始即为样本外）。 随后，我们将因子簇中保留的因子各自横截面标准化、进行等权合成，得到综合因子， 为了方便表述，将其简称为“日频连续”因子。回测时间段 2016/01/01- 2025/04/30 内，以全体 A 股为研究样本，该因子的月度 IC 均值为 0.047，年化 ICIR 为 2.36，月度 RankIC 均值为 0.078，年化 RankICIR 为 3.45；10 分组多空对冲的年化收益 为 20.99%，年化波动为 8.11%，信息比率为 2.59，月度胜率为 77.48%，最大回撤为 6.76%。

为了后文对比不同因子在构建组合层面的效果，我们先用“日频连续”因子构建一个基 础版的股票组合，具体以沪深 300 指数增强组合为例。若无特别说明，本文构建的沪深 300 指数增强组合，调仓频率均为月度，约束条件统一设定为：（1）指数成分股权重不 低于 85%；（2）中信一级行业权重偏离不超过 1%；（3）个股权重偏离不超过 0.5%。 2016/01/01-2025/04/30，该组合的年化收益为 7.96%，相对沪深 300 指数的超额年化 收益为 6.55%，跟踪误差为 4.17%，信息比率为 1.57，月度胜率为 65.77%，最大回撤 为 4.09%。

2.2 分钟数据+连续性构建

本小节内容，我们基于分钟行情数据，用连续性的信息提取方式，构建量价相关性因子 簇。=

我们把因子的构建流程分为 3 个步骤： （1）设计资金流指标：从数据来源、交易者结构、买卖方向等多个角度出发，提取订单 簿数据中不同维度的信息，将逐笔数据降频为 1 分钟级别的资金流指标；（2）是否标准化：可以不对资金流指标做标准化，也可以将个股的资金流指标在同行业 股票域内或者全市场股票域内进行截面标准化处理、剔除行业或者市场因素的影响； （3）计算因子：观测全天、或者聚焦日内不同时间段，计算资金流与收益率的相关系数、 不同资金流指标互相之间的相关系数、单一资金流指标的自相关系数等，将 1 分钟资金 流指标降频为日度因子值。 批量生产因子之后，与 2.1 节中的因子筛选方法一致，我们保留其中有效、相关性相对 较低的因子，得到“分钟连续量价相关性因子簇”，并将因子簇中的因子各自横截面标准 化、等权合成，得到综合因子，记为“分钟连续”因子。

2.3 逐笔数据+连续性构建

在逐笔数据上、利用连续性的信息提取方式构建因子，能够生产的因子数量相对较少， 因为在“量价指标设计”环节，我们无法仿照 2.2 节的内容，将逐笔数据聚合到分钟级 别、构建多种多样的分钟特征。

本小节构建逐笔连续量价相关性因子的步骤如下： （1）设计逐笔量价指标：直接采用逐笔成交、逐笔委托、逐笔撤单的原始数据，可以利 用的指标为量、价格、方向，因此共有 9 种量价指标。 （2）计算相关性：可分为上述指标两两之间的相关性、或者单一指标的自相关性。对于 两两指标互相之间的相关性，根据指标是否计算变化率、计算相关性时是否错位，可分 为多种情况，共可计算 432 个因子；对于单一指标的自相关性，也可通过类似的分类讨 论，构建 45 个因子。因此基于逐笔数据+连续性的构建方式，我们一共得到了 477 个量 价相关性因子。

批量生产上述因子后，保留其中有效且相关性相对较低的因子，得到“逐笔连续量价相 关性因子簇”。将因子簇中的因子各自横截面标准化、等权合成，得到综合因子，记为《“逐 笔连续”因子。

2.4 “分钟连续”、“逐笔连续”因子的增量

前文基于不同频率的数据，构建了“日频连续”、“分钟连续”、“逐笔连续”因子，本小 节内容考察“分钟连续”、“逐笔连续”因子相对于“日频连续”因子的增量。 首先，我们将“分钟连续”、“逐笔连续”因子分别或者一起叠加到“日频连续”因子上， 考察叠加后的因子回测效果。具体操作如下： （1）将“日频连续”、“分钟连续”因子各自横截面标准化、等权合成，得到“日频连续 +分钟连续”因子； （2）将“日频连续”、“逐笔连续”因子各自横截面标准化、等权合成，得到“日频连续 +逐笔连续”因子； （3）将“日频连续”、“分钟连续”、“逐笔连续”因子各自横截面标准化、等权合成，得 到“日频连续+分钟连续+逐笔连续”因子。

我们可以得到以下结论： （1）对于单个因子而言，“分钟连续”因子的稳定性最强，年化 RankICIR 可以达到 4.28， 全市场 10 分组多空对冲的信息比率为 3.34、月度胜率接近 90%； （2）对于叠加到“日频连续”因子上的增量效果来说，只叠加“分钟连续”或者“逐笔 连续”因子的效果相差不大，相对于单个“日频连续”因子均有显著提升； （3）若将“分钟连续”、“逐笔连续”同时叠加到“日频连续”之上，则因子的效果可得 到进一步提升，合成因子的月度 IC 均值为 0.087，年化 ICIR 为 3.40，月度 RankIC 均值 为 0.117，年化 RankICIR 为 4.29；全市场 10 分组多空对冲的年化收益为 43.08%，年 化波动为 12.12%，信息比率为 3.56，月度胜率为 88.29%，最大回撤为 9.11%。

接着，我们分别基于“日频连续+分钟连续”、“日频连续+逐笔连续”、“日频连续+分钟 连续+逐笔连续”因子，构建沪深 300 指数增强组合，并与 2.1 节中基于“日频连续” 因子构建的组合进行对比。沪深 300 指数增强组合的调仓频率为月度，约束条件与 2.1 节中的内容一致：《（1）指数成分股权重不低于 85%；（2）中信一级行业权重偏离不超过 1%；（3）个股权重偏离不超过 0.5%。

可以发现，虽然从前文的检验结果来看，将“分钟连续”、“逐笔连续”叠加到“日频连 续”上，因子的回测表现确有显著提升，但一旦落实到组合层面，“分钟连续”、“逐笔连 续”因子能够提供的增量信息就变得非常有限。基于“日频连续+分钟连 续”、“日频连续+逐笔连续”、“日频连续+分钟连续+逐笔连续”因子构建的沪深 300 指 数增强组合，相对于仅用“日频连续”构建的组合，年化超额收益只能提升 0.5%-0.6% 左右。

三、离散化因子的构建方式

从本节内容开始，我们讨论离散化的因子构建方式。“离散化”，即在过去一段时间内， 基于某些特征、抽取几个离散的时间点，只用与这些时间点相关的数据计算因子。本文 构建的因子以“量价相关性类因子”为例，如前文 2.1 节所述，由于日频行情序列的数 据点较少，若再进行离散化提取，则无法准确计算相关系数。因此，本节内容只对分钟 数据、逐笔数据进行离散化处理，构建量价相关性因子。

3.1 分钟数据+离散化构建

如何在分钟数据层面构建离散化的因子，我们在本系列研究的前述报告《《《“量价淘金”选 股因子系列研究（九）：Memory Map 在因子生产加速上的应用——以构建羊群效应因子 簇为例》中已经做过讨论。该报告围绕“羊群效应”话题，提炼因子构建流程中的 3 个 关键因素，分别进行了详细论述： （1）事件识别：如何识别趋势资金的行动。通过观测成交量、价格涨跌幅、价格波动率、 量价相关性是否发生异常，得到了上千种不同的识别方式。 （2）因子定义：如何刻画羊群效应的强弱。在“趋势资金有所行动”这一事件发生后， 通过计算成交量、价格涨跌幅、价格波动率、量价相关性这些量价数据的本身数值、与 趋势资金对应时点量价数据的相互关系、与趋势资金事件发生之前量价数据的相互关系， 得到了上千种不同的因子构造方式。 （3）数据频率：在何种数据频率上识别事件、定义因子。可用的数据集包括日频数据、 分钟数据、逐笔数据、用逐笔数据合成的其他不同频率的数据集等等，我们可以在不同 数据维度上识别趋势资金的行动、考察跟随者的交易行为。 本节内容构建的分钟数据离散化因子，大致思路与系列报告（九）类 似，也是将因子构建的流程分为事件识别、因子定义，在用逐笔数据降频得到的 1 分钟 数据集上，进行因子的批量生产。其中，“事件识别”环节的内容，与系列报告（九） 完全一致；“因子定义”环节，我们只构建量价相关性类因子。

批量生产上述因子后，我们进行与前文一致的有效性、相关性筛选，留下一簇有效且相 关性相对较低的因子，称之为《“分钟离散量价相关性因子簇”。将因子簇中的因子各自横 截面标准化、等权合成，得到综合因子，记为“分钟离散”因子。

3.2 逐笔数据+离散化构建

在逐笔数据层面进行离散化信息提取、构建因子的逻辑，与分钟层面类似，仍然是先识 别量价数据发生异常的事件点，再用事件点附近的数据参与因子计算。但由于逐笔数据 的处理耗时相对较长，因此关于事件的定义，我们只选取了“放量”，对于因子的计算， 也暂时只考虑事件发生后、量价相关性的本身数值。

本小节构建逐笔离散量价相关性因子的步骤如下： （1）事件识别：将“逐笔成交、逐笔委托、逐笔撤单”对应的“整体的量、买的量、卖 的量”，超过该股当日同类型数据 95%分位数的时间点，定义为事件发生，因此共有 9 种 不同的事件识别方法。 （2）因子定义：计算事件触发后，未来 20 笔数据对应的量价相关性指标。此部分内容 与 2.3 节“逐笔连续量价相关性因子”的构建方式完全类似，共有 477 种不同的因子计 算方法。 （3）将上述事件识别与因子定义的方法两两搭配，一共构建了 4293 个“逐笔离散量价 相关性因子”。

得到上述因子后，综合考察因子的有效性、相关性，筛选得到“逐笔离散量价相关性因 子簇”。将因子簇中的因子各自横截面标准化、等权合成，记为“逐笔离散”因子。

3.3 “分钟离散”、“逐笔离散”因子的增量

前文构建了“分钟离散”、“逐笔离散”因子，本小节内容考察它们相对于第二节内容中 连续性因子的增量。为了方便表述，我们将第二节中构建的“日频连续+分钟连续+逐笔 连续”因子简称为“连续”因子，其蕴含了前文所有连续性因子的综合信息。 首先，我们将“分钟离散”、“逐笔离散”因子分别或者一起叠加到“连续”因子上，考 察叠加后的因子回测效果。具体操作如下： （1）将“连续”、“分钟离散”因子各自横截面标准化、等权合成，得到“连续+分钟离 散”因子； （2）将《“连续”、“逐笔离散”因子各自横截面标准化、等权合成，得到“连续+逐笔离 散”因子； （3）将《“连续”、“分钟离散”、“逐笔离散”因子各自横截面标准化、等权合成，得到“连 续+分钟离散+逐笔离散”因子。

“连续”、“离散”、“连续+离散”因子的回测表现，可以得到以下结论： （1）对于单个因子而言，本节内容构建的“分钟离散”、“逐笔离散”因子，回测表现均 弱于前文的“连续”因子； （2）将“分钟离散”、“逐笔离散”因子叠加到“连续”因子上，因子的 IC、RankIC 略 有提升，但 ICIR、RankICIR、10 分组回测的绩效指标整体相差不大。 如此看来，我们构建的离散化因子，能够提供的增量信息似乎非常有限。但在后文的指 增组合效果检验中，我们将会看到不一样的景象。 分别基于“连续+分钟离散”、“连续+逐笔离散”、“连续+分钟离散+逐笔离散”因子， 构建沪深 300 指数增强组合，并与基于“连续”因子构建的组合进行对比。沪深 300 指 数增强组合的调仓频率为月度，约束条件与前文一致：（1）指数成分股权重不低于 85%； （2）中信一级行业权重偏离不超过 1%；（3）个股权重偏离不超过 0.5%。

可以看到，离散化因子的检验结果，与第二节内容中连续性因子的检验结果完全相反。 将“分钟离散”、“逐笔离散”叠加到“连续”因子上，因子的回测 表现并没有得到明显提升，但落实到组合层面，离散化因子却能提供增量。基于“连续+分钟离散”、“连续+逐笔离散”、“连续+分钟离散+逐笔离散”因子构建的 沪深 300 指数增强组合，相对于仅用“连续”因子构建的组合，超额年化收益、信息比 率都能得到提升。其中，《“连续+逐笔离散”因子构建的组合绩效表现最强，相对基准指 数的超额年化收益为 8.15%，跟踪误差为 3.81%，信息比率为 2.14，月度胜率为 75.68%， 最大回撤为 4.27%；相较于只用“连续”因子构建的组合，超额年化收益的提升超过 1%。 上述测试结果有力地论证了本文开篇提出的观点，即用离散化方式构建的选股因子，尤 其是在逐笔数据层面的离散化，即使从因子回测效果上、未必能显著优于传统的连续性 因子，但落实到组合层面，往往能够提供连续性因子以外的增量信息，提升组合的收益 与稳定性，由此可见“高频数据+离散化构建方式”在因子研究中的重要性。

四、其他重要讨论

由于本篇报告重点想要强调的是“逐笔数据+离散化构建方式”，所以本节内容针对前文 的“逐笔离散”因子，再做进一步补充讨论。

4.1 “逐笔离散”因子的分年度表现

3.2 节内容只展示了“逐笔离散”因子在全时间段的回测表现，本小节补充展示其分年度 的表现情况。

4.2 “逐笔离散”因子剔除常见风格与行业后的表现

首先考察“逐笔离散”因子与市场常用风格因子的相关性。《“逐笔离散” 因子与 10 个 Barra 风格因子的相关系数，可以看到，该因子与波动率、流动性因子的相 关性相对较高，相关系数绝对值在 0.30 左右，与其他因子的相关性较低。

为了剔除市场常用风格和行业的干扰，我们每月月底将“逐笔离散”因子对 Barra 风格 因子和中信一级行业虚拟变量进行回归，取残差作为纯净因子，检验其选股效果。剔除常用风格与行业的影响后，因子仍然有效。“纯净逐笔离散”因子的月度 IC 均值为 0.037，年化 ICIR 为 2.84，月度 RankIC 均值为 0.040，年化 RankICIR 为 2.75；10 分组多空对冲的年化收益为 15.82%，年化波动为 6.15%，信息比率为 2.57，月度胜率为 78.38%，最大回撤为 3.69%。

4.3 “逐笔离散”因子的指数增强组合表现

本小节内容基于《“逐笔离散”因子，构建沪深 300、中证 500、中证 1000 指数增强组合， 展示其收益表现，组合的调仓频率为月度，约束条件统一设置为：（1）指数成分股权重 不低于 85%；（2）中信一级行业权重偏离不超过 1%；（3）个股权重偏离不超过 0.5%。 2016/01/01-2025/04/30，沪深 300 指数增强组合的年化收益为 8.61%，相对沪深 300 指数的超额年化收益为 7.17%，跟踪误差为 3.55%，信息比率为 2.02，月度胜率为 74.77%，最大回撤为 4.42%。

2016/01/01-2025/04/30，中证 500 指数增强组合的年化收益为 9.12%，相对中证 500 指数的超额年化收益为 10.43%，跟踪误差为 3.91%，信息比率为 2.67，月度胜率为 81.98%，最大回撤为 4.65%。

2016/01/01-2025/04/30，中证1000指数增强组合的年化收益为 13.05%，相对中证1000 指数的超额年化收益为 16.90%，跟踪误差为 6.33%，信息比率为 2.67，月度胜率为 80.18%，最大回撤为 4.24%。

五、总结

随着市场的发展与竞争的加剧、尤其是机器学习模型的普及，想要挖掘现有多因子模型 以外的增量信息越来越困难。本文提出一个重要论点：未来量价因子的研究，想要获取 更多的、与现有因子低相关性的增量，“逐笔等高频数据”、“离散化的因子构建方式”这 两个条件缺一不可。 本文先讨论了“连续性的因子构建方式”，即基于某一段连续的数据计算因子。以常见的 “量价相关性类因子”为例，分别基于日频、分钟、逐笔数据，批量生产对应的连续性 因子簇。将各自因子簇中的因子等权合成，得到“日频连续”、“分钟连续”、“逐笔连续” 因子。考察“分钟连续”、“逐笔连续”因子相对于“日频连续”因子的增量，发现虽然 从因子的回测效果上来看，将“分钟连续”、“逐笔连续”叠加到“日频连续”上，因子 绩效确有显著提升，但一旦落实到组合层面，“分钟连续”、“逐笔连续”因子能够提供的 增量信息就变得非常有限。以沪深 300 指数增强组合为例，叠加“分钟连续”、“逐笔连 续”因子构建的组合，相对于仅用“日频连续”因子构建的组合，超额年化收益只能提 升 0.5%-0.6%左右。

随后，本文探索了“离散化的因子构建方式”能否带来更多的增量信息。“离散化”，即 在过去一段时间内，基于某些特征、抽取几个离散的时间点，只用与这些时间点相关的 数据计算因子。分别基于分钟、逐笔数据，采用离散化的构建方式，批量生产因子簇， 同样将各自因子簇中的因子等权合成，得到“分钟离散”、“逐笔离散”因子。考察离散 化因子相对于连续性因子的增量，发现虽然将“分钟离散”、“逐笔离散”叠加到“连续” 因子上，因子的回测表现并未得到明显提升，但落实到组合层面，离散化因子却能提供 显著的增量。比如基于“连续+逐笔离散”因子构建的沪深 300 指数增强组合，相较于 只用“连续”因子构建的组合，超额年化收益可以提升 1%以上。 上述对比测试的结果，有力地论证了本文的观点，即用离散化方式构建的选股因子，尤 其是在逐笔数据层面的离散化，即使从因子回测效果上、未必能明显优于传统的连续性 因子，但落实到组合层面，往往能够提供连续性因子以外的增量信息，提升组合的收益 与稳定性，由此可见“高频数据+离散化构建方式”在因子研究中的重要性。

编辑：火腿肠