兴证把"异常成交"重做成分钟级"事件—响应—命中"状态机，并用经验贝叶斯把估计噪声与个股真实异质性定量拆开；广发把滚动优选+众数投票的元择时搬到REITs指数

0. 近月脉络

近月主线先是 L2 非成交信息（撤单、知情交易）与逐笔切面的扩张，随后转向深度学习因子的去风格化与状态分域，再到组合约束层的偏度/峰度与指数编制机制的收益归因。本期重心继续下沉：一手抓日内分钟级”事件”识别，一手抓估计层的统计修正（抽样噪声与真实异质性如何分解），并延伸到 REITs 这类新载体与买方框架的组织形态。

1. 本期研究灵感 ⭐

灵感点1：把因子从”统计量”改造成分钟级”事件—响应—命中”状态机 ^[1]

• 灵感点：兴证跳出此前”分布/时序/关联/另类信息”的因子构造套路，以个股分钟点作为最细颗粒度，做三层递进：①个股自身异常时刻——用条件分位数回归控制当分钟价格变化、上一分钟成交量的短期惯性、日内时段效应（U 型）与个股流动性基底，把”这一分钟成交量大不大”换成”在给定条件下这一分钟成交量处于条件分布的什么位置”，据此得到净意外放量/缩量的 high、low 分位残差（high 残差与原始成交量相关性约 0.54，low 约 0.89，即分位越高、剔除越充分），再由不同分位残差的联动与”异常成交—收益率”关联构造因子，vr_quantile_resid_corr 的 Rank IC 0.048、ICIR 约 0.6、多空约 35%、多头约 15%、夏普约 4.2；②相对市场的异常时刻——借鉴 CSAD（截面绝对偏差）框架做分组线性回归，刻画个股收益对市场收益的偏离如何随市场波动变化（收敛=羊群、发散=分歧），再用稀疏回归把响应定位到具体分钟，识别收敛/分歧/线性响应三种分钟状态，从分歧时刻的交易笔数、相对成交价格、量价关系提因子，sr_dispersion_stdnumtrades 的 Rank IC 0.027、ICIR 约 0.5、多空约 29%、多头约 16%、夏普约 5.4；③分歧命中——比较”异常成交”与”对照状态”下未来 5 分钟进入分歧状态的概率，衡量个股对交易冲击是吸收还是激活分歧。回测 2017/8/29–2026/9/30，T+1 收盘成交，两分组按因子值加权。
• 出处：兴证金工郑兆磊/陈子轩——“高频研究系列十《成交异常、分歧状态与成交分歧结合中的 Alpha》“（2026/10/21 对外发布）。切入角度是”日内高成交量未必等于新信息到达”，须先建立合理的比较基准。
• 启发 / 怎么用：①最有价值的是**“异常”的定义方式**——不是横截面比大小，而是在自身条件分布上的位置；这一条可原样迁移到任何日内序列（挂单撤单、订单簿失衡、大单净流入、集合竞价申报），把”绝对量因子”升级为”条件残差因子”，天然剔掉了日内 U 型、价格弹性与订单拆分的伪信号。②三层结构中真正的增量在第三层：把”事件”与”事件后的状态转移概率”组合，等于给每个事件配一个”冲击吸收/分歧激活”的标签，这比”事件当天计数”更接近信息含量的本质；同样的”触发—响应—命中”骨架可以套到业绩预告、涨跌停打开、大宗折价等低频事件上。③注意 CSAD 那条线的 IC 明显低于自身异常线（0.014 vs 0.048），说明”相对市场的分歧状态”更适合当条件变量（给异常成交做状态标签），而不是单独当因子用。④报告自陈新因子与底层高频因子相关系数中位数 0.4–0.6、个别接近 0.8，验收时应按此做正交化后再评估增量。

灵感点2：把概率型因子的估计误差显式建模——经验贝叶斯收缩 + 方差分解，判断”该不该收缩” ^[1]

• 灵感点：分歧命中因子的原始形式是”命中次数/事件次数”，但个股单日有效放量事件平均仅约 34 个、缩量更少，二项抽样噪声极大（若真实概率 38.7%，仅因事件数有限，观测值的 95% 区间就达 22.3%–55.1%），会把随机波动误当个股特质。报告的处理是经验贝叶斯动态收缩：先用当日市场横截面分别估计放量与缩量的 Beta 先验（先验均值决定收缩方向、先验浓度决定收缩力度），个股样本越少越向市场均值靠、样本越多越保留自身频率。结果是非对称的：贝叶斯放量分歧命中因子 Rank IC 由 0.027 提升至 0.039、ICIR 约 0.51、多空约 32%、夏普约 4.2，而缩量因子反而变差。关键在于随后做的逐日方差分解（2026 年上半年全部分钟数据）：放量事件率的真实异质性占比 47.34%、二项抽样噪声 52.66%；缩量事件率真实异质性 61.53%、噪声仅 38.47%——噪声结构不同，就不该套用同一强度的全市场先验。
• 出处：同上，“高频研究系列十”第四节（贝叶斯分歧命中因子构造与有效性分析）。
• 启发 / 怎么用：①这是一条通用的因子估计层纪律：凡是”比率/概率/命中次数”型因子（涨跌停打开率、分析师上调占比、事件后 N 日胜率、订单成交率），其横截面离散度里都混着样本量差异带来的纯噪声，先做方差分解再决定收缩强度，比直接上固定伪计数（如 0.5）严谨得多。②”收缩对某一侧有效、对另一侧有害”这个结论本身就是最好的警示：不要把”用了贝叶斯/正则化”当成无条件的降噪，收缩是有偏的，偏的方向取决于该事件率背后的真实异质性比例。③方差分解还能反过来当因子可信度的门控：给每只股票的因子值配一个”证据强度”（事件数/后验浓度），在组合优化里给低证据股票降权，比一刀切中性化更细。④需警惕样本期：分解只用了 2026 年上半年，噪声占比的季节稳定性未知。

灵感点3：把”滚动优选指标群 + 众数投票”的元择时框架搬到 REITs 指数，并用 N 的网格搜索显式权衡收益/分散/稀释 ^[2]

• 灵感点：广发以中证 REITs 全收益指数（932047.CSI，2026 年首批四只 REITs 指数基金共同标的）为载体，搭了宏观、估值、价量三维择时。宏观：M1、社融存量中企业债券同比、基建投资累计同比三项一阶差分定多空，考虑约半个月发布滞后，T 月末只能用 T-1 与 T-2 的差分预测下一完整交易月，三信号等权后年化 1.07%、最大回撤 -20.82%（回撤压缩约一半）。估值：以全市场 REITs 的 PV 乘数、派息率 TTM、中债估值收益率的截面均值取滚动 12 月分位，且不做”分位高低”直接定多空，而做估值分位数动量——上破 50% 视为价格趋势向上看多、下破看空，把慢变量资产的估值指标转成趋势信号。价量：从 104 个技术指标（价格动量类 79、价量组合类 19、成交量类 6）中，每年用上一年日频数据按单指标择时收益排序取前 N，年内每日以 N 个指标信号的众数投票合成日频多空；对 N 做 3–19 的网格搜索，N=3 累计收益最高但集中度风险大、N=13 回撤最低且累计收益仍 35%+（收益风险比 0.98）、N≥15 收益被稀释且胜率回落至 50%–60%，最终取 N=13；统一计双边 0.1% 成本。
• 出处：广发金工张超/陈原文/安宁宁——“量化·精选·致远-2026 深度研究十四：REITs 指数择时与指数基金交易策略”（2026/9/18）。切入角度是 REITs 扩容后出现可跟踪的统一基准与四只同质指数基金，使”指数择时→基金波段”具备落地工具。
• 启发 / 怎么用：①**“滚动优选 + 众数投票”是元择时（对指标做择时）最轻量、最不容易过拟合的实现**：单个指标失效不会立刻颠覆判断，且优选本身让策略随市场结构切换自动换工具；相比”给 N 个指标估权重”，投票只用到符号、对指标尺度不敏感，值得作为自建择时框架的默认基线。②N 的选择被显式当作”集中度风险 vs 收益稀释”的权衡参数并给出网格证据，这个做法比拍脑袋定参数更可复现，也提示了另一个方向：用”指标间信号一致度”动态决定 N，而不是固定值。③”估值分位数动量”这条处理慢变量资产（REITs、红利、债）的估值指标时非常实用——它们的估值分位长期停在高/低位，看绝对分位会持续给出反向信号，改成看分位穿越方向就获得了趋势属性，可平移到转债、黄金 ETF、商品指数的估值择时。④要警惕的是样本极短（2022 年起，2022 年筛选窗口仅 61 个交易日）且三个维度最优策略的年化收益都不高（宏观 1.07%、估值 -0.10%），说明这套框架的价值主要在回撤压缩与持有体验而非收益增强，报告自己也点出”滚动优选+投票可能过拟合阶段性行情”。

灵感点4：买方量化框架的组织形态——“风格轮动打底的三层架构”与”多子组合分风险预算” ^[3]

• 灵感点：长江金工访谈景顺长城黎海威，披露了一套完整的多策略量化框架，其中两条对研究流程有直接启发。①为补贝塔夏普而做风格轮动：作者测算 A 股单一宽基贝塔夏普偏低（成长风格约 0.2、红利低波约 0.5），仅靠选股 alpha 难以把产品夏普/卡玛做到接近 1，故确定”风格轮动打底 + 行业轮动辅助 + 全市场选股”三层架构、不做激进择时；风格库全部自主构建以规避公开标准化工具的拥挤，信号由自上而下的宏观周期与自下而上的估值/趋势/拥挤度打分共振产生；2023/10 起在 300/500/1000 指增上分配风险预算，2025/2 起主动量化产品切换到以风格轮动为核心引擎。②多子组合分风险预算：由于子模型预测周期从数日到数月不等、统一优化器无法同时适配，团队改为”每个模型独立子组合 + 独立风险预算 + 价差交易整合成最终持仓”，长期目标是打通全模型衰减周期做多周期一体化全局优化。此外还给出机器学习落地节奏（2022 测试、2023Q2 全流程上线，持仓由 100–200 只扩至 500–600 只）、归因三层（Barra 线性归因 + 交互项专项工具 + 建模前置按数据源划分贡献），以及另类数据的落地排序：文本类（研报/舆情/论坛/ESG 文本）叠加价量增量最显著，细分行业高频经营数据增量明确但覆盖面窄，卫星与地理数据增量有限。
• 出处：长江证券金融工程——基金经理访谈《景顺长城黎海威：双轮迭代多策略量化框架，风格轮动 + 机器学习力求打造高夏普组合》（2026/8/12）。
• 启发 / 怎么用：①”多子组合 + 分风险预算 + 价差交易整合”是解决”多周期模型无法塞进一个优化器”的工程化折中，比强行把所有信号压成一个分数更诚实；如果你手里同时有日频反转、月频基本面、季频事件三套模型，这就是当前最可落地的并存方案，代价是子组合之间可能产生隐性对冲、需要额外监控净暴露。②”贝塔夏普不足靠风格轮动补”这个论断值得自己验一遍——它把研究资源从”再造一个 alpha”转向”提升既有 alpha 的承载效率”，与近期申万在组合约束层的思路是同一条路的不同入口。③买方对另类数据的排序（文本 > 行业高频 > 卫星/地理）与卖方报告里对新数据源的乐观叙事形成有趣对照，提示评估另类数据时应先问”覆盖面是否匹配全市场宽度”。④注意这是访谈而非回测，模型细节与绩效归因均未披露，只能当框架参照、不能当实证结论引用。

2. 方法论主题归类

• 新因子构建：兴证把”异常成交”从横截面比较改为条件分布位置，再叠加”事件后分歧命中概率”形成三层因子体系 ^[1]；其构造逻辑（触发—响应—命中）可平移到低频事件与订单簿行为。
• 数据驱动：以个股分钟点作为最细颗粒度的事件识别 ^[1]；广发把择时框架搬到中证 REITs 全收益指数这一新资产载体 ^[2]，属于”新池子 + 成熟方法”的组合式创新。
• 框架与方法：经验贝叶斯收缩与逐日方差分解，把”抽样噪声 vs 真实异质性”定量拆开 ^[1]——这是本期最可复用的估计层方法；滚动优选指标群 + 众数投票 + N 的网格权衡，是元择时的轻量范式 ^[2]。
• 另类视角：买方量化框架的组织形态（风格轮动打底的三层架构、多子组合分风险预算、AI 在投研流程中的”70 分/90 分”定位） ^[3]，提供的是生产线视角而非单一因子。

3. 值得持续追踪的系列

• 兴证金工”高频研究系列”：本期更新至第十篇（成交异常、分歧状态与分歧命中）^[1]，其自我定位是从”分布/时序/关联/另类信息”四类统计量转向”分钟级事件识别”，前序第七为高频风险模型、第八为关联信息、第九为日内分域信息，可按序回读看其方法论如何从”切面”走向”事件”。
• 广发金工”量化·精选·致远-2026 深度研究”：本期为第十四篇（REITs 指数择时与指数基金交易策略）^[2]，是该系列首次把技术指标库 + 投票合成用于非权益资产，值得关注是否会延伸至转债指数、商品指数。
• 长江金工基金经理/买方量化访谈系列：本期为景顺长城黎海威 ^[3]，另有建信赵云煜 ^[4]，两篇合看可勾勒公募量化在”机器学习落地 + 风控约束 + 组合构建”三条线上的分工差异。

---

附：补充信源

• ^[4] 长江金工 — 建信基金赵云煜访谈：披露 400 个自研因子（技术面占比超 70%）、以中信一级行业 + 保留 8 大风格因子的自研风险模型、周度 IC 监控自动剔除低效与高相关冗余因子的动态加权机制，以及未来方向（非线性因子加权、机器学习深化、分域建模）；属访谈性质，无回测披露。
• ^[5] 国盛金工 — 十月可转债量化月报：跟踪型月报，但两处构造可参考——CCBA 定价偏离度（转债价格/CCBA 模型定价−1）作为估值锚，以及转债↔股债组合轮动（偏离度 Z 值按 ±1.5σ 截尾后线性映射为转债权重 50%+50%×分数）。
• ^[6] 招商定量 — 风格轮动择时周报：周度跟踪，其胜率来源为 DTW 相似性算法（匹配历史相似行情片段、以距离倒数为权重估计未来 5 日加权涨跌幅与标准差），再与相对估值赔率合成投资权重，可作为”相似状态匹配”类信号的一个工程样本。

---

本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。