2025年形态因子研究初探：基于离散形态信号构建的形态合成因子

一、K 线形态学研究背景

K 线的本质内涵是多空双方资金在争夺主导权而留下来的轨迹，K 线形态学研究的是股 票价格在下跌、盘整、上升过程中的价格轨迹的图形、形态及特征。在华创金工之前的 《形态学》系列，我们已经对形态学的知识和应用做了基本梳理，并利用 1-5 日 K 线组 成了不同的形态信号，用于资产的筛选和投资组合构建。本篇报告作为形态因子开篇， 尝试将离散的形态信号因子化，测试形态合成因子的有效性。在后续报告中，我们会继 续探索更多形态因子构建和应用的可能性。

（一）K 线形态学基础

K 线形态学研究的是股票价格在下跌、盘整、上升过程中的价格轨迹的图形、形态及特 征。股票形态是将股票的一切交易信息进行合成，最终以一定的形状展示，不论是宏观 环境变化，还是赛道格局改变亦或是个股基本面的变化，都可以反应在股票 K 线形态图 上。股票后期的形态必然是先期形态的结果，没有前期的积累，便没有后期的拉升；没 有前期的抛售，也没有后期的下跌。从这个意义上说，股票的 K 线形态与波浪理论、均 线、箱体理论等其他形态学理论是暗合的。 不同 K 线组合可以表现出多重市场形态，单根 K 线体现着市场多空力量的博弈，指示着 个股上涨或下跌的可能性，多根 K 线的结合引导着上行与下行趋势。在之前的研究中， 我们根据 1-5 日 K 线总结出了 61 种常见形态，包括 20 种正面形态（看涨信号），14 种 负面形态（看跌信号）和 27 种反转形态（看涨或看跌信号），具体信息展示在华创金工 形态云网站（xingtai.pro）。

（二）形态信号

将 K 线形态转化为量化指标时，通常将当日出现的正面形态或提示看涨的反转形态记为 该形态下的信号值 1，负面形态或提示看跌的反转形态记为该形态下的信号值-1，分别提 示看涨和看跌信号。形态信号具有以下特点： 1. 离散化。信号值只有两个值，1 或-1，取值是单一且不连续的。 2. 低覆盖。一方面，对于同一种形态，今日出现信号，明日或昨日未必出现。如 3 根 K 线构成的“两只乌鸦”，由第一日长阳，第二日高开收阴，第三日高开收阴且收盘 价低于前一日收盘价构成，不可能连续两天出现该形态下的看涨信号。另一方面， 并非每天都会出现有效形态，可能出现某个交易日无任何看涨或看跌信号的情况。 最好综合过去多个交易日的信号情况进行判断。 3. 多样化。同一日不同形态的信号值有重叠或相反情况。由于我们的形态由不同天数 的 K 线构成，在同一交易日可能出现不同形态均有指示信号的情况，甚至可能会有 完全相反的信号出现。如图表 2 所示，从一日 K 线形态来看，出现了提示看涨的长 蜡烛，而从 3 日 K 线形态来看，出现了提示下跌的陷阱，最终出现了短期下跌的情 况。不同的形态组合可能产生不同的效果，相互促进还是相互制衡，需要结合不同 情况进行分析。

形态信号的离散化和低覆盖使得因子化相对困难，多种多样的形态组合增加了情况的复 杂性，需要综合不同形态和多个交易日的信号构建因子，同时将形态之间的相互影响纳 入考虑。

二、基于离散形态信号构建形态合成因子

依据上一节的分析，形态信号无法直接作为因子使用，针对形态信号的特点，本报告提 出一种基于离散形态信号构建的形态合成因子，将形态信号因子化，希望通过多种“个 性”形态的综合效应，挖掘形态背后的因子“共性”。

（一）离散信号回归加权法

为了将不同形态的离散信号进行组合处理，转化为连续可用的因子值，我们采用了一种 离散信号回归加权法。将每一期各形态的离散信号作为哑变量，与下一期收益率进行线 性回归，并基于回归系数对信号值进行加权，得到形态因子。 首先，考虑到正面形态的形态信号取值为 1，负面形态的信号取值为-1，反转形态的信号 取值为 1 或-1，无法保证变量的一致性，而且反转形态的正面效应和负面效应未必相同， 我们将 61 种形态重新进行了拆分和标记，将 27 种反转形态的正面和负面分别记为两种 不同的形态，最终一共标记了 88 种形态。并将形态信号转换为哑变量，信号出现则记为 1，信号不出现则记为 0。

（二）形态合成因子构建过程

第一步，股池筛选和数据准备。使用 2012 年 12 月-2025 年 7 月的形态数据和收益率数据 构建因子，回测区间为 2014 年 1 月-2025 年 7 月。股池为全 A 股票，剔除 ST、*ST 和上 市不到半年的新股，剔除停牌和一字涨跌停等不可交易数据。收益率计算均使用后复权 收盘价。

第二步，离散信号回归加权法构建形态因子。 1. 每种形态信号标记为取值 0 或 1 的哑变量，下一期收益率作为因变量，对于因变量， 周度调仓因子取未来 5 日收益率，月度调仓因子取未来 20 日收益率。 2. 形态信号离散变量??,? ? 与下一期收益率?? ?+1进行截面回归，回归方法为上文中介绍的 一般线性回归、LASSO 回归或弹性网回归。 3. 使用最近 m 个（m=60,120 或 240）可获得的交易日回归系数β估计的平均值作为对 应形态的预期收益率。 4. 使用预期收益率对最新一期形态信号进行加权，得到形态因子。

第三步，多个交易日的形态因子等权构建形态合成因子。统计回测区间内，当日出现形 态信号的个股占股池全部个股数量的比例，平均覆盖率为 77%，最小覆盖率仅 34%。如 果单纯使用当期信号值计算的形态因子，覆盖率较低，信号变化较大。为了解决这个问 题，我们不仅计算了当期信号值和下期收益率回归的形态因子，也计算了滞后 d 期的形 态因子。即仿照第三步中的步骤，将滞后 d 期的形态信号值??,? ?−?与下期收益率?? ?+1回归， 估计系数并进行加权，得到滞后 d 期的形态因子。对于周频调仓因子，考虑近 5 个交易 日的形态信号，用当期形态因子和滞后 1 期-滞后 4 期的形态因子等权构建 5 日形态合成 因子。对于月频调仓因子，考虑近 20 个交易日的形态信号，用当期形态因子和滞后 1 期 -滞后 19 期的形态因子等权构建 20 日形态合成因子。用于合成的不同时期的因子经测试 相关性绝对值均低于 50%。形态合成因子不仅综合考虑了过去多个交易日的信息，而且 相对单纯使用当期形态因子，覆盖率有了大幅提升，平均覆盖度从 77%提升到 97%，最 小覆盖度从 34%提升到 93%。 第四步，对形态合成因子进行缺失值处理、缩尾、标准化和中性化。 1. 缺失值处理：使用中信一级行业均值进行填补。 2. 缩尾：MAD 缩尾法。 3. 标准化：Z-score 方差均值标准化。 4. 中性化：用对数市值和中信一级行业哑变量与形态合成因子进行回归，取残差作为 市值行业中性化后的形态合成因子。

三、形态合成因子有效性测试

对形态合成因子做有效性测试，并对比不同因子表现。回测区间为 2014.1.1-2025.7.18， 剔除 ST、*ST、上市不到半年新股和停牌、一字涨跌停等不可交易数据。收益率使用后 复权收盘价计算，不计交易成本，周频因子 5 日调仓，月频因子 20 日调仓。

（一）IC 测试

比较 9 种周频形态合成因子的 ic 表现和 ric（rank_IC）表现。综合来看，系数估计平均周 期取 240 和 120 时明显优于 60，240 略高于 120。回归方法上，除了在 ric 正值的比例上 KPT_LR_240_w 略高于 KPT_Elastic_240_w，在 ic、ic 正值比例、icir、ric、ricir 上，均 表现出 KPT_Elastic_240_w 优于 KPT_Lasso_240_w、优于 KPT_LR_240_w 的结果。使用 一般线性回归、LASSO 和弹性网，后者对前者均有一定程度的提升，与预期相符。

比较 9 种月频形态合成因子的 ic 表现和 ric 表现。总体表现和周频形态合成因子呈现出 的规律相同，即系数估计平均周期取 240 时最优，回归方法取弹性网回归时最优。 KPT_Elastic_240_m 表现最好，ric 值为 0.0379，ric 正值比例高达 81.43%。

展示部分形态合成因子的 ric 图和累加表现，可以看到，以 240 为系数平均周期的 ric 波 动更小，因子表现更稳定；以弹性网回归和 LASSO 回归构建的形态合成因子表现相似， 均优于一般线性回归。

分年度测试 ic 和 ric 表现，分别展示周频和月频中综合表现最好的形态合成因子 KPT_Elastic_240_w和KPT_Elastic_240_m的结果。这两个因子的年度表现结果相对稳定， ic 和 ir 均值均为正。KPT_Elastic_240_w 的 ric 正值比例均在 59%以上，KPT_Elastic_240_m 的 ir 正值比例均在 66%以上。近两年形态合成因子仍然有效，2025 年至今， KPT_Elastic_240_m 的 ric 值接近 0.04。

（二）分层测试

按照因子值排序分为 7 组，每组等权，进行分层测试，1 组为多头组，7 组为空头组。

周频和月频的形态合成因子均有一定的分层效果，从结果来看，空头端的收益优于多头 端。周频形态合成因子中 KPT_Elastic_240_w 的多头组、空头组、多空组合收益表现均最 好，多头组年化收益为 5.14%，空头组年化收益为-15.11%，多空年化收益 20.26%。月频 形态合成因子中，KPT_Lasso_240_m 与 KPT_Elastic_240_m 的多头组年化收益表现相近， KPT_Lasso_240_m 为 4.18%略高于 KPT_Elastic_240_m。KPT_Elastic_240_m 空头组和多 空组合年化收益表现最佳，分别为-9.55%和 13.70%。 为了更清晰地比较不同形态合成因子的分层效果，将相同调仓频率、不同构成方式的因 子分组年化超额画在一张图中。

可以看到，形态合成因子的空头效应明显优于多头效应，更适用于多空组合或风险识别。 对于系数平均周期的选择，240 相对 120 对分层效果有一定提升，相对 60 有明显提升。 对于回归方法的选择，弹性网和 LASSO 回归表现相近，两种方法相对一般线性回归对分 层效果均有明显提升。 展示部分形态合成因子的分层超额累加收益图。

（三）分域测试

1、不同宽基指数

以沪深 300、中证 500、中证 1000 作为股票池进行因子测试，回测时间 2015.9.1-2025.7.1。

从组合收益看，沪深 300 多头效应表现一般，中证 500 和中证 1000 多头端超额表现更稳 定，形态合成因子空头端超额更明显，更适合锁定多空收益。总体上呈现为中证 1000 优 于中证 500，中证 500 优于沪深 300，形态合成因子在小市值股票池表现更好。

2、不同行业

分行业进行因子测试，比较多头组和空头组相对中信一级行业指数的超额表现。回测时 间为 2015.9.1-2025.7.1，其中综合金融从 2017 年开始，这里仅展示 KPT_Elastic_240_w 和 KPT_Elastic_240_m。

除消费者服务、银行外，KPT_Elastic_240_w 在不同行业上均有多头超额、空头超额和多 空收益。

除石油石化、农林牧渔、煤炭外，KPT_Elastic_240_m 在不同行业上均有多头超额、空头 超额和多空收益。

四、中证 1000 形态指增

在本章中，我们基于形态合成因子构建指增策略。在图表 23 和 24 中，中证 1000 的整体 表现更优，因此以中证 1000 为基准和股池。在因子回测过程中，KPT_Elastic_240_w 和 KPT_Elastic_240_m 综合表现较好，但在图表 23 和 24 中也可以看到，形态合成因子的平 均 换 手 率 较 高 ， 在 84% 左 右 ， 为 了 降 低 换 手 率 的 影 响 ， 选 择 更 低 频 的 因 子 KPT_Elastic_240_m 构建组合。

（一）因子相关性

KPT_Elastic_240_m 更偏向 RESVOL（波动因子）和 LIQUIDTY（流动性因子），相关性 在-0.1 左右，与常见的 barra 风格因子相关性均不强，可以作为一种新因子提供额外信息。

（二）回测说明

基于月频形态合成因子 KPT_Elastic_240_m 构建中证 1000 形态指增策略。 回测区间：2015 年 9 月 1 日-2025 年 7 月 1 日。 比较基准：中证 1000。 选股范围：中证 1000 成分股。 调仓频率：每月第一个交易日进行调仓。 约束条件： （1）个股权重限制：个股权重上限为 5%，个股权重偏离上限为 1%。 （2）换手率限制：双边换手率上限为 30%。 （3）暴露约束：行业暴露约束 0.005，市值暴露约束 0.035。 交易成本：双边千一。

（三）策略表现

基于形态合成因子 KPT_Elastic_240_m 的中证 1000 形态指增策略相对基准中证 1000 的 超额表现，2016 年以来超额表现较稳定，最大回撤出现在 2020 年和 2021 年， 均在 6%以内。

回测区间内年化超额 6%，年化跟踪误差 4.53%，最大回撤 5.86%，信息比率 1.32，分年 度表现超额收益均为正。近几年来看，2022 年综合表现较好，年化超额接近 6%，信息比 率 1.3，2023-2025 均有正向超额收益，形态合成因子依然有效。

五、总结

K 线的本质内涵是多空双方资金在争夺主导权而留下来的轨迹，K 线形态学研究的是股 票价格在下跌、盘整、上升过程中的价格轨迹的图形、形态及特征，不同 K 线组合可以 表现出多重市场形态。 在之前的报告中，我们根据 1-5 日 K 线总结出了 61 种常见形态，包括正面形态，负面形 态和反转形态，对应着不同的看涨或看跌信号。这些形态信号具有以下特点：离散化、 低覆盖、多样化（同一日不同形态的信号值有重叠或相反情况），难以因子化。针对这些 特点，本报告提出一种基于离散形态信号构建形态合成因子的方法，希望通过多种“个性” 形态的综合效应，挖掘形态背后的因子“共性”。

综合不同形态和不同交易日情况，考虑形态之间的相互影响，基于离散形态信号构建形 态合成因子。首先采用离散信号回归加权法，将每一期各形态的离散信号作为哑变量， 与下一期收益率进行线性回归，并基于历史一段时间的回归系数对信号值进行加权，得 到形态因子。然后将当期形态因子和滞后 d 期形态因子等权合成，构建形态合成因子。 我们构建了不同调仓频率（周频、月频），不同回归系数平均周期（60、120、240 个交易 日），不同回归方法（一般线性回归、LASSO、弹性网）共 18 种形态合成因子，其中 LASSO 或弹性网回归可实现自动筛选有效形态。 对形态合成因子分别做 IC 测试、分层测试、分域测试。测试结果表明，不同形态合成因 子均在回测区间具有一定的有效性：ric 较稳定，正值比例最高达 81.43%；空头收益明显 高于多头收益，多空组合年化收益最高达 20.26%；分域测试中证 1000 上表现更优，大 部分行业内因子均有效。综合回测效果来看，对于回归系数平均周期的选择，240 优于 120,两者均明显优于 60。对于回归方法的选择，综合了变量选择和多重共线性处理的弹 性网回归优于变量选择的 LASSO 回归，两者均明显优于一般线性回归。 基于形态合成因子 KPT_Elastic_240_m 构建中证 1000 形态指增策略。回测区间内年化超 额 6%，年化跟踪误差 4.53%，最大回撤 5.86%，信息比率 1.32，分年度表现超额收益均 为正。

本报告为形态因子研究初探，说明了形态可作为因子提供有效信息，但仍有很多改进空 间。在后续报告中，我们会进一步考虑不同种类不同时间形态信号之间的复杂关系，或 综合成交量、基本面等信息，提出新的模型和应用方向。

编辑：火腿肠