量价背离因子在股票市场中的应用

量价背离因子在股票市场中的应用

量价背离因子

量价背离是指股价与成交量的变化出现了“分歧”。当股价或指数在上升时，成交量减少，通常表示市场可能在隐约传递不好的信号。可以用“成交量加权价格”（VWAP）与成交量（VOLUME）的负相关性表示这种股市“冷场”现象。

因子构建&分析

1. 数据构建：调用VWAP和Volume数据，将其转换为因子。

alpha_test = {
    "alpha_class":"test",
    "alpha_name":"teat_0001",
    "alpha_name_chinese":"价量相关性波动性因子",
    "alpha_sql":"""
        SELECT date, instrument, 
        m_corr(wap_11_vwap_buy, volume, 30) AS factor
        FROM cn_stock_wap
        INNER JOIN cn_stock_prefactors USING (date, instrument)
    """,
    "alpha_desc":" ", 
    "group_num":10, 
    "instruments":"全市场",
    "benchmark":"中证500", 
    "data_process":True,
    "is_bigvip":False,
    "is_featured":False,
}

2. 因子排序与分组：将因子值从小到大排序，将数据分为10组，其中0组为因子值最小的一组，9组为因子值最大的一组。

def cut(df, group_num=10):
    df = df.drop_duplicates('factor') 
    df['group'] = pd.qcut(df['factor'], q=group_num, labels=False, duplicates='drop')
    df = df.dropna(subset=['group'], how='any')
    df['group'] = df['group'].apply(int).apply(str)
    return df

3. 因子处理：对因子进行取极值、标准化、中性化操作。

data_alpha_process AS (
    SELECT 
        date,
        instrument,
        factor,
        clip(factor, c_avg(factor) - 3 * c_std(factor), c_avg(factor) + 3 * c_std(factor)) AS clipped_factor,
        c_normalize(clipped_factor) AS normalized_factor,
        c_neutralize(normalized_factor, sw2021_level1, LOG(total_market_cap)) AS neutralized_factor,
    FROM data_alpha_origin JOIN cn_stock_factors_base USING (date, instrument)
    WHERE 1=1
    AND {pool_dict[pool_class]}
    AND amount > 0
    AND st_status = 0
    AND trading_days > 252
    AND (instrument LIKE '%SH' OR instrument LIKE '%SZ')
    QUALIFY COLUMNS(*) IS NOT NULL
    ORDER BY date, instrument
)

4. 分组分析：根据分组结果，统计各组的累计收益，观察不同因子值下的收益表现。

def get_group_cumret(self):
    # 获取基准收益率
    def get_bm_ret():
        bm_dict = {
        "中证500":"000905.SH",
        "中证1000":"000852.SH",
        "沪深300":"000300.SH",
        }
        sql = f"""
        SELECT 
            date,instrument, (close - m_Lag(close,1))  / m_LAG(close, 1) as benchmark_ret
        FROM cn_stock_index_bar1d
        WHERE date BETWEEN DATE '{self.sd}' - INTERVAL 10 DAY AND '{self.ed}'
        AND instrument = '{bm_dict[self.params['benchmark']]}'
        """
        bm_ret = dai.query(sql).df()
        return bm_ret
    # 基准收益率
    bm_ret = get_bm_ret()
    bm_ret = bm_ret.set_index('date')
    # 分组收益率
    groupret_data = self.group_data[['date','group','daily_ret']].groupby(['date','group'], group_keys=False).apply(lambda x:np.nanmean(x)).reset_index()
    groupret_data.rename(columns={0:'g_ret'}, inplace=True)
    groupret_pivotdata = groupret_data.pivot(index='date', values='g_ret', columns='group')
    groupret_pivotdata['ls'] = groupret_pivotdata[str(self.params['group_num']-1)] - groupret_pivotdata['0']
    groupret_pivotdata['bm'] = bm_ret['benchmark_ret'] 
    groupret_pivotdata = groupret_pivotdata.shift(1)
    # 分组累计收益率
    groupcumret_pivotdata = groupret_pivotdata.cumsum() 
    # 返回分组收益率与分组累计收益率
    return groupret_pivotdata, groupcumret_pivotdata

如图所示，第0-3组的因子累计收益率最高。数据显示：因子值越小，其累计收益越大。这表明，在该因子条件下，量价背离现象对市场走势具有一定的预测能力。

策略构建

基于以上的因子分析，可以构建一个简单的策略。

1. 股票筛选：按照因子值进行升序排序，每天选取因子值最小的前50只股票。

2. 持仓调整：每五个交易日换仓。

在首次回测结果中，通过分析策略的持仓可以发现，小盘股交易量较大，存在较高风险。因此，可以尝试做个优化，将股票池限定为大市值股票，采取量价背离，进一步提升收益、降低回撤风险。

对修改后的回测结果进行分析，优化后的策略不仅有效地提升了收益率，还显著降低了最大回撤，表现出更高的稳健性与持续性。

策略源码

策略源码链接