在传统多因子选股策略的体系中，投资者往往在截面上寻找稳定且具有显著溢价的因子 特征，实现为量化组合贡献稳健超额收益的目标。然而随着市场有效性的逐渐提升，现 有选股模型的拥挤度越来越高、失效风险显著增大；此外，随着信息传播速度的逐渐加 快，挖掘现有模型以外的增量信息也变得越来越困难。因此，量化选股领域亟待另辟蹊 径，从另类视角挖掘 Alpha 信息，帮助策略进行迭代。 国盛金工团队在往期研究中，从时序角度出发，基于不同量价特征构建了几类量价事件 驱动策略。在《事件簇：量价事件驱动信号的规模化生产》一文中，我们首次提出了“事 件簇”的研究理念：对于如何识别某一量价事件的研究想法，结合各种量价指标，多维 度、多视角地识别事件是否触发，从而批量构建事件驱动信号，再通过有效性、相关性 的检验与筛选，最终保留有效且低相关的事件信号，称之为这一研究想法对应的“事件 簇”。在上一篇报告中，我们以“识别趋势资金入场信号”为例，利用高频量价数据识别 趋势资金并分析其交易行为，批量挖掘事件驱动信号，得到了““趋势资金事件簇”。回测 结果表明，基于时序角度构建的事件驱动信号，其收益源与传统截面多因子策略的相关 性通常较低，可以提供较为另类的 Alpha 信息。 本篇报告将继续聚焦量价事件驱动信号的研究。具体地，本文围绕“高位放量”、“低位 放量”这两个常见的技术形态展开讨论，利用高频量价数据，多维度地识别高/低位放量 的股票，批量生产事件驱动信号。最终，我们将有效信号进行合成，构建长期稳定的事 件驱动策略，并讨论其对多因子指增策略的补充作用。
“低位放量”、“高位放量”是股市中常见的技术形态。通常我们认为，若股价处于低位、 同时成交量显著放大，代表资金对个股的关注度提升，价格可能迎来反弹；相反，若股 价处于高位、同时放量，往往预示资金开始流出，股价未来下跌的概率更高。股票 A 在触发“低位放量”形态后大幅 上涨；而股票 B 在触发了“高位放量”形态后，股价短期见顶、随后持续下跌。
从事件驱动的视角出发，我们可以基于日频数据定义低位放量、高位放量的判断指标， 统计股票在触发低位放量、高位放量信号后的收益表现。关于股票处于高位或者低位， 我们通常用当前股价处于历史序列的百分位水平来进行判断；而关于是否放量，我们通 常观察当前的成交量相对于过去一段时间是否异常放大。 因此，我们将同时满足以下 2 个条件的事件定义为“低位放量”事件： （1）当日收盘价处于过去 120 个交易日的 10%分位数及以下； （2）当日成交量高于过去 120 个交易日的均值+1.5 倍标准差。 类似地，将同时满足以下 2 个条件的事件定义为“高位放量”事件： （1）当日收盘价处于过去 120 个交易日的 90%分位数及以上； （2）当日成交量高于过去 120 个交易日的均值+1.5 倍标准差。 以 2016/01/01-2025/10/31 为回测时间段，暂时以中证 800 成份股为研究样本，对上述 事件进行回测。事件触发后、超额收益的考核方式为：若当日收盘触发事件，则以次日 开盘价为起点，考察股票在未来 60 个交易日、相对于中证 800 等权指数的超额收益表 现情况。回测结果 显示，2016/01/01-2025/10/31，中证 800 成份股共触发“低位放量”事件 16619 次， 平均每个交易日有 6.96 个样本触发事件。从收益情况来看，触发低位放量信号的股票， 无论是未来的平均累积绝对收益、还是相对基准指数的平均累积超额收益，均有正向表 现，但累计收益在触发信号后 20-25 个交易日左右达到最高峰，随后有所回调。
在前期研究《事件簇：量价事件驱动信号的规模化生产》中，我们曾提到，事件历史样 本的平均收益表现，并不能完全代表事件给投资者带来的实际收益。因此，我们需要使 用资金通道策略，构建可以落地的投资组合，更为准确地测算高/低位放量信号的事件收 益。资金通道策略的具体构建方法如下： （1）设置 4 个资金通道、每个通道持股周期为 20 个交易日； （2）每周末，回看过去 5 个交易日，将在过去 5 日内、所有曾经触发高位放量/低位放 量入场信号的股票，视为目标股票池； （3）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，计算当前通道的持仓收益； （4）计算 4 个资金通道的净值并求和，即可得到资金通道组合的整体净值。 可 以发现，无论是低位放量还是高位放量，仅使用简单的日频数据识别事件并构建通道策 略，最终组合的收益波动都非常剧烈，低位放量信号甚至提供了负向超额。 因此在后文中，我们将尝试借助高频数据，识别更为有效的高/低位放量事件信号，构建 稳定的事件驱动策略。
3.1 高/低位放量事件簇的体系化构建流程
在之前的研究中，我们提出了“事件簇”的研究理念：针对某一类事件驱动信号，可以 基于各种量价指标，多维度、多视角地识别事件信号，进行批量生产，最终通过有效性、 相关性的检验与筛选，保留一簇有效且低相关的事件信号。在本节内容中，我们重点讨 论如何利用高频量价数据，构建高/低位放量事件簇。我们将整个构建流程拆分为 3 个主要步骤： （1）事件识别：利用高频量价数据，多维度、多视角地定义何为高/低位、何为放量； （2）信号定义：考察股价处于高/低位时、对应的成交量是否放大，或者成交量放大时、 对应的股价是否处于高/低位，判断高位放量、低位放量事件是否触发；基于各种高频量 价指标的互相配合，我们将得到上千种不同的事件信号； （3）信号筛选与合成：批量生产事件信号后，通过有效性、相关性的检验，在高位放量、 低位放量信号中分别筛选一批有效且低相关的信号，得到“高位放量事件簇”、“低位放 量事件簇”，并将信号互相叠加得到综合信号、构建事件驱动策略。
3.2 事件识别：何为高/低位、何为放量
3.2.1 价格处于高/低位的定义
价格处于高/低位的定义涉及 2 个因素：相比何时价格处于高/低位、高/低位的判定阈值。 比如以 1 分钟收盘价序列为例：
（1）相比何时价格处于高/低位
在对比高/低位时，可以只用当天的分钟收盘价序列进行日内固定对比，也可以回看过去 20 个交易日的分钟收盘价序列、进行日间的滚动对比。
（2）高/低位的判定阈值
选取价格处于高/低位的判定阈值时，可以采用分位数的方法，比如将价格大于对比时间 段价格序列 90%分位数的分钟定义为高位，将价格小于对比时间段价格序列 10%分位 数的分钟定义为低位；也可以采用均值标准差的方法，比如将价格大于对比时间段价格 序列均值+N 倍标准差的分钟定义为高位、将价格小于对比时间段价格序列均值-N 倍标 准差的分钟定义为低位。 特别地，采取均值标准差方法时，由于日内数据、日间数据的价格波动程度不同，为使 得每个交易日下满足条件的样本点数量合适，我们在日内对比时将 N 暂取为 3、日间滚 动对比时将 N 暂取为 1.5。
3.2.2 放量的定义
关于放量的定义，可围绕“何人、何方向的何种量放大”展开具体讨论，此处涉及的关 键因素有 4 个：何人、何方向、何种量、放大。 首先，关于“何种量”，我们考察 4 个指标：成交量、成交金额、成交笔数、单笔成交金 额（即成交金额除以成交笔数）。 其次，关于“何人的量”，我们通过 2 种方式进行划分： 划分方式 1：大小单 根据金额的大小对成交量进行细分，我们既可以考察不区分大小单的整体的量，也可以 考察超大单、大单、中单、小单的量。 划分方式 2：激进程度 将逐笔委托订单与同期的快照数据进行交互，考察委托价、委托量与盘口买一价、买一 量、卖一价、卖一量的相对大小，可以将委托单分为最激进、次激进、中等激进、次不 激进、最不激进这 5 种类型。我们既可以考察不区分激进程度的整体的量，也可以考察 某一特定激进程度的量。
接着，关于“何方向的量”，我们通过逐笔成交数据中的“主买”、“主卖”信息进行区分。 “主买”或“主卖”的方向差异，在一定程度上反应了交易双方的激进程度以及对市场未来走势的预期差异。在讨论“何方向的量”时，我们既可以计算不区分主买、主卖方 向的整体的量，也可以只计算其中主买或者主卖方向的量。 最后，关于“量的放大”，与价格处于高/低位的定义类似，也涉及到 2 个因素，以 1 分 钟的成交量数据为例：
（1）相比何时成交量放大
在判断成交量放大时，可以只用当天的分钟成交量序列进行日内固定对比，也可以回看 过去 20 个交易日的分钟成交量序列、进行日间的滚动对比。
（2）成交量放大的判定阈值
选取成交量放大的判定阈值时，可以采用分位数的方法，比如将成交量大于对比时间段 成交量序列 90%分位数的分钟定义为放量；也可以采用均值标准差的方法，比如将成交 量大于对比时间段成交量序列均值+N 倍标准差的分钟定义为放量。同样地，采取均值标 准差方式时，由于日内数据、日间数据的波动程度不同，为使得每个交易日下满足条件 的样本时间点数量合适，在日内对比时 N 暂取 3、日间滚动对比时 N 暂取 1.5。
3.2.3 小结
至此，关于高/低位、放量的事件识别方式，已经讨论完毕。在识别“高 /低位”的过程中，我们通过日内固定对比、日间滚动对比，与不同的判定阈值进行搭配， 得到多种““高/低位”的识别方法；而在“放量”的识别过程中，我们不仅可以借助不同 的对比方式、不同的判定阈值，还可以从多种角度对量进行细分，衍生出众多的“放量” 识别方法。
3.3 信号定义：高/低位与放量的结合
按照上述方式识别了“高/低位”、““放量”事件后，我们将两者进行结合，生成“高/低位 放量”事件信号。具体地，可以分为“先看价、后看量”、““先看量、后看价”这 2 种方式：（1）先看价、后看量：先识别股票某一交易日价格处于高/低位的时间点，再根据这些时 间点平均成交量的大小、判断是否放量； （2）先看量、后看价：先识别股票某一交易日放量的时间点，再根据这些时间点的平均 价格、判断是否处于高/低位。 此处，我们举一个具体的例子，以最简单的分钟收盘价、分钟成交量为例，采取日内固 定对比、分位数的方式，展示“先看量、后看价”的具体定义： （1）每个交易日，计算股票当日 240 分钟成交量的 90%分位数定义为成交量阈值，240 分钟收盘价的 90%分位数定义为价格高位阈值、10%分位数定义为价格低位阈值； （2）将当日成交量序列中大于成交量阈值的分钟标记为放量的分钟； （3）计算所有放量分钟对应的收盘价平均值，若收盘价平均值大于价格高位阈值，则视 为该股票当日触发高位放量信号；若收盘价平均值小于价格低位阈值，则视为该股票当 日触发低位放量信号；否则无信号触发。
3.4 信号筛选与合成：高/低位放量事件簇及综合信号
将前文不同的事件识别方法、信号定义方法互相搭配，我们即可批量生产“低位放量”、 “高位放量”的事件信号。对于每一个信号，我们都构建相应的资金通道策略，考察其 收益表现、以及与其他信号之间的相关性，最终选取有效且低相关的事件信号，得到“低 位放量事件簇”、“高位放量事件簇”。
3.4.1 低位放量事件簇及综合信号
根据低位放量事件信号的通道策略表现，我们按照分时段筛选的方式，留下相对有效且 低相关的事件，得到“低位放量事件簇”： （1）在时间段 2016/01/01-2018/12/31 内，综合考虑事件信号对应通道策略的超额信 息比率、互相之间的相关性，挑选效果最优且相关性较低的事件； （2）对于挑选出的事件信号，再考虑它们对应的通道策略在 2019/01/01-2021/12/31 的 超额信息比率、互相之间的相关性，进一步挑选其中效果最优且相关性较低的事件，称 之为基于低位放量信号构建的事件簇（2022 年开始即为样本外）。 其中，关于相关性的检验，我们综合考虑了事件信号之间的平均相关性、通道策略最大 回撤时段的相关性。
以触发信号股票数量较多的事件 2 为例，该事件使用“最不激进（激进程度为 5）的主 买委托单挂单数量放大”作为放量的代理变量，具体构建流程如下： （1）统计股票某个交易日的日内收盘价序列的均值与标准差，将分钟收盘价小于当日收 盘价序列均值-3 倍标准差的时段识别为价格处于低位的分钟； （2）对于价格处于低位的分钟，统计这些分钟最不激进的主买委托单挂单数量的平均值， 若该平均值大于当日 240 分钟最不激进的主买委托单挂单数量的 90%分位数，则视为该 股票当日触发了低位放量信号。在合成 低位放量综合信号时，我们希望综合策略的持股数量处于合理范围内，从而平衡通道策 略的收益与波动。
3.4.2 高位放量事件簇及综合信号
仿照低位放量事件的筛选步骤，由于高位放量属于负向信号，因此将考核指标由“通道 策略相对基准指数的超额收益”改为““基准指数相对通道策略的超额收益”，其他筛选细 节与低位放量保持一致，我们也可以得到有效且低相关的“高位放量事件簇”。
3.4.3 低位放量与高位放量的有机结合
根据前文测试结果，低位放量综合信号可以提供较为稳定的正向超额收益，而高位放量 综合信号则有较强的负向选股效果。因此在本小节内容中，我们尝试将低位放量正向信 号与高位放量负向信号进行结合，提升通道策略的表现。 具体地，我们在低位放量综合信号的基础上，用高位放量综合信号进行负向剔除，构建 通道策略：
（1）设置 4 个资金通道、每个通道持股周期为 20 个交易日； （2）每周末，回看过去 5 个交易日，将在过去 5 日内所有曾经触发低位放量综合信号 的股票视为目标股票池；在目标股票池的基础上，剔除过去 5 日内所有曾经触发高位放 量综合信号的股票； （3）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，计算当前通道的持仓收益； （4）计算 4 个资金通道净值并求和，即可得到资金通道组合的整体净值。
4.1 高/低位放量事件簇与趋势资金事件簇的相关性
在专题报告《事件簇：量价事件驱动信号的规模化生产》中，我们从“识别趋势资金交 易行为”这一想法出发构建了趋势资金事件簇及其综合信号。在生产了新的高/低位放量 事件簇后，我们希望其与趋势资金事件簇的相关性较低，以便为后续策略提供更多的增 量信息。我们从“股票池重合度”的角度检验事件信号之间的相关性，具体计算方式如 下：
信号之间的平均相关性：每个交易日，统计触发信号 A 的股票池、触发信号 B 的股 票池，日相关性=两股票池交集的股票数量/min(信号 A 股票池数量，信号 B 股票池 数量)；对回测时间段内的所有日相关性求均值，即得到信号 A 与信号 B 的平均相 关性。
4.2 高/低位放量事件簇在不同样本空间的表现
前文在筛选信号、构建通道策略时，我们将研究样本设定为中证 800 成份股。本小节内 容将研究样本改为中证 1000、国证 2000 成份股，通过与前文类似的筛选方式，构建中 证 1000、国证 2000 成份股中有效的高/低位放量事件信号，并考察通道策略的表现。
4.3 事件驱动信号对指增策略的补充
4.3.1 事件驱动与多因子指增多策略并行
前文提到，构建事件驱动信号的目标之一，是提供与传统截面多因子选股组合相关性较 低的收益源。为比较事件驱动策略与指增策略的表现，我们取全市场公募中证 1000 指 数增强产品的收益率中位数、构建模拟指增组合，测算模拟指增组合与中证 1000 成份 股低位放量+高位放量综合信号构建的通道策略的收益相关性。计算结果表明，2018 年 以来，通道策略与模拟指增组合超额收益率序列的相关性仅约 12%。 以 85%仓位配置模拟指增组合、15%仓位配置事件驱动信号的通道策略、季度再平衡为 例，构建多策略并行组合。可以看到，加入事件驱动策略后，多策略组合在年化 超额收益几乎不变的情况下，将模拟指增组合超额收益的最大回撤从 7.32%下降至 6.15%， 卡玛比率从 1.62 提升至 1.89，有效提升了整个组合的收益稳定性。
4.3.2 事件驱动对多因子指增进行负向剔除
本小节内容，我们考察事件驱动信号对多因子指增策略的另一种增强效果。由于本文构 建的高位放量信号有显著的负向选股能力，因此我们可以在指增组合的构建过程中，用 高位放量信号对部分股票的权重进行向下调整，从而提升指增组合的收益表现。
首先使用国盛金工因子库中的特色量价因子，构建周度调仓的中证 1000 指增组合，指 增组合的年化超额收益为 23.51%，跟踪误差为 4.43%，信息比率为 5.31，最大回撤 5.98%，卡玛比率为 3.93。 随后，我们在指增组合中，加入高位放量综合信号进行负向剔除：在因子值以及指增约 束条件不变的情况下，若当周有股票触发高位放量信号，则将其权重调整至满足约束条 件的下限。
本文为国盛金工《“量价淘金”选股因子系列研究》的第十五篇报告，也是“事件簇”研究 理念的第二次探索。我们的研究目标仍是希望从时序视角挖掘与截面选股因子不同的 Alpha 信息，对多因子选股策略进行补充。具体地，本文从“高/低位放量”这一经典技术形态出发， 构建有效的事件驱动信号。 我们首先检验了日频数据下“高位放量”、“低位放量”事件信号的有效性，平均来看事件 的超额收益在触发对应信号后 20-25 个交易日左右到达峰值，随后有所下降。利用日频“高 位放量”、“低位放量”信号构建资金通道策略，发现组合的收益波动较大，并不能提供稳 定的超额收益。
因此我们借助微观量价信息、从更高频的视角构建有效信号，得到““高/低位放量”事件 簇。事件簇的构建分为以下 3 个步骤： （1）事件识别：利用高频量价数据，多维度、多视角地定义何为高/低位、何为放量； （2）信号定义：考察股价处于高/低位时、对应的成交量是否放大，或者成交量放大时、 对应的股价是否处于高/低位，判断高位放量、低位放量事件是否触发；基于各种高频量 价指标的互相配合，我们得到了上千种不同的事件信号； （3）信号筛选与合成：批量生产事件信号后，通过有效性、相关性的检验，在高位放量、 低位放量信号中分别筛选一批有效且低相关的信号，得到“高位放量事件簇”、“低位 放量事件簇”，并将信号进行合成，构建低位放量综合信号、高位放量综合信号。 基于上述综合信号构建通道策略，我们发现，低位放量综合信号可以稳定提供正向超额， 而高位放量综合信号则有不错的负向选股效果。因此更进一步，我们将两个综合信号进 行结合，先用低位放量初筛股票池、再用高位放量进行负向剔除。在回测期 2016/01/01- 2025/10/31 内，中证 800 成份股中，将两个信号结合后构建的通道策略表现能进一步提 升，年化超额收益为 9.14%，超额信息比率为 2.42。
在报告最后，我们也探索了事件驱动策略与传统截面多因子策略的低相关性，在多因子 指增策略中融入事件驱动信号，可有效提升整个组合的稳定性： （1）以 85%仓位配置指增组合、15%仓位配置事件驱动信号的通道策略、季度再平衡 为例，多策略组合可在年化超额收益几乎不变的情况下，将原始指增组合超额收益的最 大回撤从 7.32%下降至 6.15%，卡玛比率从 1.62 提升至 1.89； （2）将高位放量信号加入指增组合中进行负向剔除，在因子值及指增约束条件不变的情 况下，若剔除当周触发高位放量信号的股票、再构建指增组合，相比于原组合，年化超 额收益从23.51%提升至24.84%，跟踪误差几乎不变，超额信息比率从5.31提升至5.62， 卡玛比率从 3.93 提升至 4.56。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
