这篇文章挺好，转过来学习下。

前言

价量相关性的平均数因子：平均数因子利用成交量的信息，修正了传统 反转因子对股票价格涨跌的判断，即价格涨跌的反转不完全由价格自己 决定，还需看成交量的信息，若有量的确认，则月度行情的反转效应更强；若没有量的确认，则月度行情更容易呈现动量效应。

价量相关性的波动性因子：波动性因子则从价量形态稳定性的角度，对 反转因子进行了改进，即无论股票价格过去的涨跌，只要每日价量关系 维持某种稳定形态，下个月就更有可能上涨；而价量关系在多种形态间频繁切换的股票，下个月更有可能下跌。

价量相关性的趋势因子：股票价量相关性的变化趋势中也包含了有效的 选股信号。回测结果显示，价量相关系数随时间推移变小的股票，下个月的收益倾向于越高。

价量相关性因子的构建

经过探索，我们找到一种提炼有效信息的方案，以全体A股为研究样本（剔除其中的ST股、停牌股以及上市不足60个交易日的次新股），以 2014/01/01-2021/11/30为回测时间段，实施以下操作：

1. 每月月底，回溯每只股票过去 20 个交易日的价量信息，每日计算该股票分钟收盘价与分钟成交量的相关系数；
2. 每只股票取 20 日相关系数的平均值，做横截面市值中性化处理，将得到的结果记为平均数因子 PV_corr_avg；
3. 每只股票取 20 日相关系数的标准差，同样做市值中性化处理，将结果记为波动性因子 PV_corr_std；
4. 采用最简单的方式综合上述两个因子的信息，将 PV_corr_avg 和 PV_corr_std分别横截面标准化，等权线性相加得到价量相关性综合因子 PV_corr，即

价量相关性因子的逻辑

平均数因子

先来看平均数因子 PV_corr_avg，它衡量了股票过去 20 日价量相关性的平均水平， 回测结果显示，价量相关系数越小的股票，未来收益倾向于越高。经过反复推敲，我们认为该因子其实是对传统反转因子做了修正。入下图，传统反转因子认为，股票的月度行情存在反转效应，过去 20 日上涨的股票下个月更倾向于下跌，应该归于空头； 而过去 20 日下跌的股票未来更有可能上涨，下个月应该归为多头。价量相关性的平均数因子 PV_corr_avg 则加入量的信息，细化了反转因子对股票价格形态的分类。

对于价格上涨，可以进一步分为放量上涨和缩量上涨，前者的价量相关系数较大， 后者的价量相关系数较小，在 PV_corr_avg 因子看来，两者不可混为一谈。过去放量上 涨的股票，就好比武侠小说中的“末路英雄”，强弩之末，难穿鲁缟，耗尽了内力，下 个月便倾向于下跌，这一点与反转因子一致；而过去缩量上涨的股票，好比有绵绵内力 不断缓缓释放，上个月还未涨到尽头，仍有力量支撑，下个月便能延续之前的行情，继续上涨，这一点正好与反转因子相反。

对于价格下跌，也可以进一步分为放量下跌和缩量下跌，前者的价量相关系数小， 后者的价量相关系数大，PV_corr_avg 因子对这两类股票也持有不同的态度。放量下跌 的股票，PV_corr_avg 的判断与反转因子一致，认为下个月行情更容易反转，归为多头； 而过去平均来看缩量下跌的股票，由于还未经历放量见底的过程，下个月的反转行情相对较弱，仍然归于空头，这一点与反转因子不同。

综上所述，平均数因子 PV_corr_avg 对传统反转因子的修正逻辑可总结为：价格涨跌的反转不完全由价格自己决定，还需看成交量的信息，若有量的确认，则月度行情的反转效应更强；若没有量的确认，则月度行情的动量效应更强。

波动性因子

再来看衡量股票过去价量相关性波动情况的 PV_corr_std 因子，回测结果显示，因 子值越小，股票未来收益越高。我们也分 4 种价量关系分析该因子的选股逻辑。

对于缩量上涨和放量下跌的情形，若股票的价量相关系数波动较小，则意味着股票在过去 20 个交易日，每日都稳定呈现缩量上涨或放量下跌的形态，自然与 PV_corr_avg因子的判断一致，将股票归为多头。

而对另外两种情形的分析，PV_corr_std因子则与PV_corr_avg不同。对于放量上涨， 若价量相关系数波动较小，则意味着股票过去 20 个交易日，每日都呈现放量上涨的状 态，此时它不再是“末路英雄”，而是“绝顶高手”，比如受到了众多利好信息的持续刺 激，这类股票下个月应该仍然归为多头，期待上涨行情得以延续；对于缩量下跌，若股 票每日都稳定呈现此状态，则 PV_corr_std 因子对该股的判断与反转因子相同，认为下个月更有可能反转，出现上涨行情。

其实，波动性因子 PV_corr_std 包含的选股信息也可以看做是对反转因子的一种修 正：无论股票过去是上涨还是下跌，只要每日价量关系维持一种稳定的形态， PV_corr_std 因子就把这只股票归为未来的多头；而价量关系在多种形态间频繁转换的股票，就会被 PV_corr_std 因子归为空头。

小结

总结了前两部分的分析，价量相关性因子可以看做是对传统反转的修正。

由上，pv_corr可以看作是对传统反转因子的修正，价量相关性因子的选股信息必然与传统反转存在重叠。我们可进一步精炼选股信息，先将两个子因子PV_corr_avg和PV_corr_std 分别剔除反转因子，再各自横截面标准化，等权线性相加构建综合因子，将得到的新因子记为 PV_corr_deRet20。

趋势因子的增量信息

在前文研究的基础上，我们额外发现股票价量相关性的变化趋势也能带来一些增量 信息，因此本节内容做进一步探索，挖掘新信息，并在最后呈现包含价量相关性3个维度信息的最终因子。

价量相关性的趋势因子

本节介绍的选股因子计算过程如下：

1. 每月月底，仍然回溯每只股票过去 20 个交易日的价量信息，每日计算该股票分钟收盘价与分钟成交量的相关系数；
2. 将每只股票的 20 个相关系数𝜌𝑡对时间𝑡回归，取回归系数𝛽，即𝜌𝑡 = 𝛽 ∗ 𝑡 + 𝜀𝑡，其中，𝑡取值为 1,2,3,……,20；
3. 将所有股票的回归系数𝛽在横截面上剔除市值、传统价量类因子（20 日反转、20 日换手率、20 日波动率因子），将得到的结果定义为趋势因子 PV_corr_trend。

最终的价量相关性因子——CPV

经检验，上一小节介绍的趋势因子 PV_corr_trend 在剔除原来的综合因子 PV_corr_deRet20 后，仍然具有一定的选股能力，因此我们将 PV_corr_trend 带来的增量 信息叠加到 PV_corr_deRet20 之上，最终因子命名为CPV因子（Correlation of Price and Volume），涵盖了本篇报告提出的价量相关性 3 个维度上的综合信息：