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，从而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。 在往期研究中，国盛金工团队从时序角度出发，基于不同量价特征构建了几类量价事件 驱动策略。比如在《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：针对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”。又如在《高/低位放量事件簇：正负向信号的有机结合》中，我们从“高位放量”、 “低位放量”这两个经典的技术形态出发，利用高数量价数据，多维度地识别高/低位放 量的股票，生产了有效的正向、负向信号事件簇。在上述两篇报告中，除了直接基于信 号构建长期稳定的事件驱动策略，我们还探讨了几个拓展应用的方向：事件信号通常与 传统截面多因子信号的相关性较低，因此可以对多因子指数增强组合进行有效补充，降 低整个组合在关键时点的波动与回撤；另外，触发信号的股票数量通常对未来市场行情 具备一定的指示作用，也可将其应用于指数择时层面的研究。 本篇报告将继续探索量价事件驱动信号的生产与应用。具体地，本文围绕“个股异动” 这一研究想法展开讨论，首先以简单的价格数据为例，定义个股异动的判别标准，确定 整体的研究框架；随后，借助多维度的资金流指标，识别各种资金流异动的股票，批量 挖掘事件信号，构建正向、负向信号事件簇；最终，我们将有效信号合成、并将正负向 信号综合使用，得到稳定的事件驱动策略。
2.1 个股异动的识别方式：以价格异动为例
宽基指数或行业指数由个股加权合成而来，因此通常情况下，绝大多数股票与基准指数 的价格走势往往非常相似。然而，市场中总有一些“与众不同”的个股，在某些时段其 价格走势与基准指数截然相反，我们称之为“股价异动”。 图表 1 和图表 2 展示了某一交易日，两只不同股票与万得全 A 指数的日内价格走势（为 了方便对比，价格均对第一分钟收盘价做了归一化处理）。显而易见，股票 B 全天的价格 走势与指数几乎完全一致，而股票 A 当日在多个时段与指数的价格走势截然相反、即发 生了“异动”。
参考上述案例，我们可以利用最简单的价格数据，计算个股和指数分钟收盘价序列的相 关系数，判断个股是否发生了价格异动。 按照如下方式，定义个股价格异动事件： 对于某只股票，计算当日股票分钟收盘价序列与万得全 A 指数分钟收盘价序列的相关系 数，若相关系数<0，则判定该股当日发生了异动。 以 2016/01/01-2026/02/28 为回测时间段，暂以中证 800 指数成份股为研究样本，检验 上述个股异动事件的有效性。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，2016/01/01-2026/02/28，中证 800 指数成份股共触发 51591 次“个股 价格异动”事件，平均每个交易日约 21 只股票发生异动。从事件收益表现来看，触发异 动的股票，未来个股平均累积绝对收益的表现尚可，但几乎无法提供有效的超额收益。
2.2 个股异动的进阶识别：逆势上涨、逆势下跌
前文所述的““个股价格异动”事件，其实包含了两种不同的情形：指数下跌而个股上涨， 指数上涨但个股下跌。这两种情形中，个股与指数价格序列的相关系数均为负，但背后 的逻辑天差地别，显然不可一概而论。因此在生产事件信号时，可以加入个股相对基准 指数的超额收益方向，来判别不同类型的股价异动。 仍以分钟价格序列为例，我们按照如下方式定义“逆势上涨异动”、“逆势下跌异动”： 逆势上涨异动：对于某只股票，计算当日股票分钟收盘价序列与万得全 A 指数分钟收盘 价序列的相关系数，若相关系数<0、且当日个股收益率>指数收益率，则判定该股当日 发生了“逆势上涨异动”； 逆势下跌异动：对于某只股票，计算当日股票分钟收盘价序列与万得全 A 指数分钟收盘 价序列的相关系数，若相关系数<0、且当日个股收益率<指数收益率，则判定该股当日 发生了“逆势下跌异动”。
3.1 异动雷达事件簇的体系化构建流程
除了价格，成交量也可以作为判别个股异动的观测数据，且相比于价格，成交量对应的 特征变量往往更加多样化，蕴含的信息量也更为丰富。本节内容，我们尝试利用多种不 同维度的资金流特征，设计个股异动事件的体系化研究框架。特别地，我们将最终要得 到的个股异动事件有效信号，信名为“异动雷达事件簇”。
3.2 计算个股与基准指数资金流指标的相关系数
3.2.1 相关系数计算时段的选择
在计算个股与基准指数资金流序列的相关性时，我们可以选信全天 240 分钟的资金流数 据，计算两者的相关系数；也可以计算两者日内不同时段的相关系数，比如将每天的交 易时段按 1 小时为间隔进行划分，分别计算第一小时、第二小时、第三小时、第四小时 的资金流序列相关性。
3.2.2 多种不同维度的资金流指标
在选信具体的资金流指标时，我们围绕“基于何种数据类型，构建何人、何方向的何种 量”展开讨论，涉及到的关键因素为：数据类型、何人、何方向、何种量。
首先，关于“数据类型”，可以考察三类不同的数据来源：逐笔成交、逐笔委托、逐笔撤 单，将不同类型的逐笔数据以 1 分钟为间隔，合成为分钟资金流指标。 其次，关于“何人”，我们通过 2 种方式进行划分： 划分方式 1：大小单 根据金额的大小对资金流进行细分，我们既可以考察不区分大小单的整体的资金流，也 可以考察超大单、大单、中单、小单对应的资金流。 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资金流，也可以 考察某一特定激进程度对应的资金流。关于订单激进程度的具体定义细节，可参考专题 报告《基于流动性冲击事件的逐笔羊群效应因子》。 接着，关于“何方向”，我们既可以计算不区分买卖方向的整体的资金流，也可以只关注 其中方向为买或者方向为卖的资金流。 最后，关于“何种量”，本文考察了 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）。
3.2.3 基准指数的选择
构建异动雷达事件簇时，还有一处关键点在于基准指数的选择。我们可以选择万得全 A 指数作为基准，捕捉与大盘走势不同的股票；也可以选择个股所属的行业指数作为基准， 寻找在行业内一枝独秀的股票。 由于基准指数的分钟资金流数据较难直接取信，我们暂且根据成份股的资金流，按照不 同方式拟合得到指数的资金流数据。具体的拟合方式可分为 3 种：将成份股的资金流数 据简单相加、信所有成份股资金流数据的中位数、将成份股资金流数据按流通市值进行 加权。
3.2.4 小结
至此，异动雷达事件簇生产流程中的“计算相关系数”步骤已经讨论完毕，在计算个股与基准指数资金流指标的相关系数时，我们通过不同时段、不同维度的 资金流指标、不同的基准指数，得到了多种相关系数的计算方法。
（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。）
