从研报到代码：手把手复现成交量极大值分布因子的思路与验证

这次我想复现一个来自兴业证券金工首席郑兆磊老师的因子，源自他于2022年8月29日发布的研报《高频研究系列四：成交量分布中的Alpha》。

此前，我已经尝试过这篇研报里的几个因子，比如与同价成交量相关的，以及一系列关于成交量分布的Alpha因子。今天的主角是成交量极大值分布因子。（研报中还有个成交量分桶熵因子，我还没介绍）

为什么把这个因子留到了一年之后？因为一年前，我也没太搞明白它的计算逻辑。即便是现在，我也不能说完全吃透了，更多是凭着对方法的理解和感觉尝试了一遍。不过，从结果看效果并不差，所以值得写篇文章分享一下。

值得一提的是，同价成交量和成交量分桶熵这两个因子在《因子日历》上是出现过的，但成交量极大值分布这个因子一直没有。我这次尝试也算是一次小小的探索。

关于这个因子的具体逻辑，研报用了大半页来阐述，这里就不全文引用了。我只摘录其中一句核心观点：

因子值越大，说明该股在近一段时间内成交量极大值的分散程度较大，股价曾经或正在出现成交量多次过大，或极值差异明显。此时个股不稳定性极高，整体下行风险较大。

计算步骤与代码实现

说实话，研报里并没有给出像烹饪食谱一样具体的计算步骤，只是提到了会用到Bootstrap重采样这个方法。

我对这个方法还算熟悉，它的核心就是从原始数据中有放回地随机抽取样本，重复多次（比如n次），然后计算这些抽样数据的统计量（如均值）。一个有趣的性质是，当n足够大时，任何一个原始数据点大约有1/e的概率从未被抽中。

基于对研报描述的理解，我梳理了以下实现思路：

1. 总体分析

1. 第一步：对每个股票的分钟成交量序列进行Bootstrap重采样，以得到“极大值样本数据”。这里我有个疑惑：是按成交量占比加权采样，还是等权采样？如果是等权，如何体现“极大值”的采样倾向？研报没说清楚，我暂时按照等权采样来实现。
2. 第二步：将采样得到的数据减去其自身的均值后，再计算这些“中心化”后数据的均值，得到第一个因子。该值越大，理论上说明该股票成交量极值出现的次数相对较多，且骤增的量较大。
3. 第三步：同样是“中心化”后的数据，计算其标准差，得到第二个因子。该标准差越小，说明该股票成交量极大值的量级相对均衡，极值部分差异较小。

2. 代码

实现的关键在于Bootstrap重采样。好在pandas库提供了便捷的sample方法，让代码不至于太复杂。

def process_single_day(self, idx):
    # 加载当日分钟数据
    file_name = self.files[idx]
    date_str = file_name.split('.')[0]
    cur_time = pd.to_datetime(date_str) + timedelta(hours=15)
    file_name = self.files[idx]
    full_path = os.path.join(self.file_pth, file_name)
    data = BaseDataLoader.load_data(full_path, fields=['volume']).to_dataframe('volume')
    resample_data = []
    for i in range(1000):
        new_data = data.iloc[:]
        resample_data.append(new_data.sample(2400, replace=True).mean())
    resample_data = pd.concat(resample_data, axis=1)
    resample_data = resample_data - resample_data.mean(axis=1).values.reshape(-1, 1)
    res = [resample_data.mean(axis=1), resample_data.std(axis=1)]
    res = pd.concat(res, axis=1)
    res.columns = ['resample_mu', 'resample_sigma']
    res['datetime'] = cur_time
    return res

• 第1-8行：读取指定日期的分钟成交量数据。
• 第9-12行：执行Bootstrap重采样1000次。每次采样2400个数据点（假设一日有240分钟），并计算这次采样数据的均值。循环结束后，得到一个包含1000个“采样均值”的数据集。这里也有另一种理解：先将所有重采样的原始数据拼在一起，再整体做中心化和计算统计量。理论上我应该都尝试一下，但单次计算就需要近10小时，时间成本太高了。

因子评价

这两个因子的相关性几乎为0，所以相关性图就省略了。

研报中提到，使用过去15个交易日的标准差将因子低频化。为了与我之前的所有因子评价标准保持一致，我选择了过去21个交易日的标准差。

从IC分析来看，两个因子的表现比较接近。因此，在展示具体的收益分析前，我将主要展示 resample_sigma 这个因子的评价结果。而在收益分析部分，则会同时展示两个因子的表现。

01 IC分析

从IC来看，这个因子在2018年至2020年间表现出一定的有效性，但自2021年起，效果似乎开始减弱甚至失效。这种随时间变化的现象在因子挖掘过程中很常见，值得深入分析其失效的原因。

02 回归分析

03 换手率分析

04 收益分析

首先看 resample_sigma 因子（使用标准差低频化）的分层回测结果：

从分层回测来看，主要的超额收益是在2020年积累的。resample_mu 因子的表现也类似：

即使是使用均值（而非标准差）进行低频化处理的 resample_sigma 因子，其表现也差不多。（而 resample_mu 因子用均值低频化则效果不佳）

由于这次复现包含了较多基于个人理解的猜测和尝试，其结果必然与原始研报存在出入。不过，这个过程本身对于理解大数据背景下的复杂因子构建逻辑很有帮助。复现顶尖机构的研报确实很烧脑，但也充满了挑战和乐趣。希望这份带有实践性质的复盘，能为同在量化领域探索的朋友们提供一些不一样的视角和启发。如果你对这类因子的构建、回测以及更深入的数据分析话题感兴趣，欢迎在云栈社区交流讨论。

— END —