量化技术分析系列之一：利用流通股本分布寻找上涨信号

技术分析框架介绍：技术分析在投资中扮演重要角色，但大多技术分析方法论偏主观，比如波浪理论在实践中往往是“千人千浪”，有效性受到了挑战，定量的回测和清晰地逻辑才能为框架的有效性保驾护航。本报告以流通股本分布作为分析工具，把行为金融学作为逻辑基础，提取各类因子进行定价研究，最终定量计算得到涨跌信号，可作为主动管理的辅助工具。 基于流通股本分布的行业轮动策略：基于中信行业分类构造1.5级行业指数，将全部A股拆解到40个行业。利用流通股本分布模型筛选上涨阻力最小的8个行业等权配置组合并且周度调仓。在利用指数作为持仓，不考虑冲击成本等因素的假设下，2018年至2024Q1回测显示该组合的年化收益率达到20%，同期万得全A指数为负收益。 构建择时信号：本报告构造了超跌反弹跟平台突破两种上涨信号以及一种顶部信号。超跌反弹常发生在指数大幅调整、流通股本价格断层的环境下，信号发出后指数未来一周平均涨幅近5%，未来两周约7%，胜率约70%。平台突破指的是缩量上涨特征，信号发出后一周指数平均涨幅3.3%，胜率在60%以上。而顶部信号虽然未能识别出显著负收益，但是信号附近的指数波动较大，可以帮助组合降低波动，提高夏普比率。 风险提示：本报告结论完全基于公开的历史数据进行计算，模型结果仅表示不同风格及行业预期未来相对强弱情况，不代表点位预测，不代表未来宽基指数和行业指数整体走势的判断，亦不构成投资收益的保证或投资建议。股市系统性风险发生使得各类规律失效。宏观和产业政策超预期改变市场交易环境。报告中的模拟组合构建在实际投资中难以完全复制，主要是证明方法论的有效性。 技术分析对交易而言是重要工具，其中流派众多并且诞生了波浪理论等经典理论，但是千人千浪的局面导致其应用价值大打折扣。一个重要的原因就是技术分析者众，但能解其逻辑者寡，过于关注“形”就容易忽视第一性原理。技术分析的基础是微观结构，本篇报告从流通股本分布（floating shares distribution）的角度进行研究，定量回测验证股价上涨信号。 1.流通股本分布方法论介绍 流通股本分布是股票市场研究中的一个重要方面，它涉及到股票的流动性、市场结构和投资者行为等多个层面，后文中也简称FSD。 1.1.流通股本分布研究目的 股价涨跌是股票的供给和需求导致的，股票供给是持股者行为决定的，流通股本分布研究是为了得到在不同价格上投资者持有股本的数量，从而判断在某个价位时获利盘跟亏损盘的情况，根据投资者群体行为规律判断当前的供给压力。 1.2.流通股本分布基本假设 1.市场参与者的交易行为可以反映在股票的持仓成本和数量分布上，这意味着通过分析流通股本分布，我们可以间接地了解市场参与者的交易行为和意图。 2.流通股本分布利用成交量和价格数据进行计算，其中有一个重要的基本假设：投资者持有股本按照换手率进行交换。这个假设条件较强，与实际情况会存在偏差，因此流通股本分析也存在适用条件，将在后续分析过程中进行介绍。 3.股本分布的集中度和活跃股本的概念可以用来评估市场的稳定性和活跃程度，集中度较低通常意味着股本较为分散，可能预示着市场波动性增加；而活跃股本的多少则反映了市场参与者的交易活跃度。 1.3.模型构建方法 Step1：选择任意初始点作为100%流通股本价格，设为P0。 Step2：按照每天的成交价格跟换手率进行流通股本的分布更新，比如换手率T，成交价格P1，则此时分布矩阵从（P0）(100%)变成（P0，P1）(100%-T,T) Step3：日内成交分布的假设一般有三角形分布、均匀分布两种，我们认为M型分布更为合理。 Step4：计算每个时点流通股本获利比率，当前价格上下N%空间内集中的流通股本比例，以此作为基础测算当前投资者的抛压变化。 对于步骤三中的假设我们进行详细说明，传统模型计算假设下日内股本成交一般为三角形分布或者均匀分布，如下所示： 图1：传统流通股本分布计算的假设方法 在三角形分布假设下，日内成交均价附近的成交股本数最多，越离散的价格成交的数量越少。而均匀分布假设下往往认为在最高价和最低价之间的每个价位成交都是均匀发生的。 但通过对日内成交特征的统计发现，开盘价和收盘价附近的成交是最密集的，我们对万得全A指数2024-2-26到2024-3-26区间内的五分钟成交额数据进行统计，其日内分布特征如下所示： 图2：股市日内成交额分布 有了以上统计规律后，跟传统三角形假设或均匀分布假设相比，更倾向于做M型假设，O、H、L、C分别代表开盘、最高、最低、收盘价，在开盘价附近增加20%分布，收盘价附近增加7%，其余价位均匀分布。 图3：流通股本分布计算的M型假设 1.4.流通股本分布展示 选取波动率较高的计算机行业指数作为研究对象，按照前述模型构建方法进行流通股本计算。在图中亏损的股本分布设置为绿色，盈利的股本设置为红色。在2024-2-5经历了一轮连续回调之后获利股本比例不足10%，而在2024-3-23随着股价上涨约50%股本已经获利。 图4：计算机指数在2024-2-5流通股本分布图 图5：计算机指数在2024-3-23流通股本分布图 2.基于流通股本分布的行业轮动策略 2.1.行业板块重构 随着中国经济发展，地产和基建投资拉动型经济模式已经逐渐改变，原始的行业划分不足以满足投资的需求。新的经济结构应该以产业链划分为基础，比如2020年开始电动车渗透率提升带来的横跨有色金属，基础化工以及整车厂的产业趋势，比如当前人工智能的爆发式增长带来软硬件跨传统行业的新经济模式。 为了更准确捕捉当前的细分行业趋势，我们从中信二级行业出发，筛选重要的二级行业作为底层标的，部分成熟期和衰退期行业由于内部公司同质化强并且技术进步的难度较大，可以直接选择一级行业指数，经过筛选得到40个行业进行跟踪。 表1：重构行业划分得到40个行业指数 2.2.基于FSD的因子构建 基于FSD模型可以计算以下因子对其特征进行刻画，分别从各个成本的股本相对当前价格盈利水平分层计算比例，近期流通股本变化，股本时序分布等角度进行分析构建因子。 表2：基于流通股本分布构造的因子 2.3.行业轮动策略构建 基准：万得全A指数 模型筛选逻辑：股价总是选择阻力最小的方向运动，在此假设下上方阻力小并且赚钱效应较高的行业，其上涨延续性更强。 组合构建：在前述40个行业中利用各因子进行横截面打分，选择得分最高的前8个行业等权构建多头组合，周度调仓以指数收盘价进行成交，回测时间为2018年至2024年3月底。 注：组合回测与实践投资中的组合管理存在差异，并没有包含冲击成本等方面的测算。主要为了数据验证方法论是否有效。 图6：行业轮动组合回测净值 组合回测显示2018-1-1至2024-3-31的年化收益率约20%，同期万得全A指数为负收益，无论是最大回撤还是夏普比率均有显著效果。回测也证明了上方阻力小的行业更容易获得超额收益，无论是在构建量化组合还是为主动管理提供工具和思路方面都有意义。 表3：基于FSD的模拟组合收益表现 3.利用流通股本分布构建指数择时框架 择时最重要的任务就是回答以下三个问题： （1）股价高位是否面临下跌？ （2）连续下跌后是否触底反弹？ （3）上涨趋势在当前时点能否延续？ 此部分我们将在解释微观结构原理的基础上构造择时信号，并且定量的回溯信号的有效性。 3.1.超跌反弹信号构建 发生超跌反弹的基础是前期股价经历了持续大幅的缩量下跌，流通股本分布呈现断层，并且多数的超跌反弹都是v型反转。以2024-2-5的计算机指数为例，整个1月份计算机指数出现了20%以上的调整，区间日均换手率仅为2%，显著低于其正常3%的换手率，此阶段交换的股本数量较少，多数持股发生在调整之前 。行为金融学上的处置效应意味着投资者更倾向于持有亏损的股票而卖出有盈利的个股。所以此时股价一旦反弹，即便上行30%也未能改变多数持股人的心态，即上涨面临的阻力较小。 图7：从计算机指数看超跌反弹特征 此外2022-4-26日的新能源行业也出现了类似的股本分布形态。 图8：新能源行业指数的超跌反弹形态 超跌反弹量化择时信号构建：超跌反弹信号的触发是以下三个条件交集 （1）累计获利股本比例为10%以内。（2）当前价格和上方20%区间内累计股本分布不超过15%。（3）出现底分型。 以波动较大的计算机指数为例，下图表示超跌反弹信号发出的时点，在2022年4月、2022年10月、2024年1月等时点均发出了超跌反弹的信号，此后指数均有较好的反弹表现。 图9：模型超跌反弹信号分布 定量的统计超跌反弹信号发出后持有5个交易日、10个交易日的持仓表现，以及按照跌破10日均线作为卖点进行优化。统计范围是40个行业指数自从2017年至2024年3月所发出的信号，其表现如下表所示。 表4：超跌反弹信号表现统计 信号发出后一周的平均持有收益达到近5%，延长持有期至两周时收益率进一步提升但是盈亏比和胜率有所下降，原因是捕捉到了持续性较强的几轮超跌反弹行情，但是对于小级别行情也增加了误判率。如果利用均线系统对卖点进行改进，当收盘价跌破10日线时卖出，胜率和盈亏比均得到较为显著改善。 3.2.识别顶部信号 价格顶部识别是择时方法论中最难的部分，情绪高涨期的场外资金，并且场外资金的体量并非微观结构研究所能回答。我们在2023-6-21报告《从资金扩散识别微观结构恶化》中提到一种思路，当资金在一个板块中充分扩散往往是价格拐点的到来。该方法是从微观到中观的择时方法，接下来我们尝试利用流通股本分布，直接对行业指数进行建模得到信号。 当价格发生大幅上涨进入短期平台震荡期，如果缺乏增量资金股价容易回调，当股价跌破震荡平台下沿，意味着诸多短线资金发生亏损，投资者预期发生变化，则股价反弹会遇到平台价位的较大阻力。 量化模型信号设计：过去一周获利盘比率达到90%以上，股价回调使得获利股本比率下降25%以上。 以计算机指数为例展示所识别出的高位信号发生时点，如下图所示： 图10：高位信号分布特征 定量统计2017年以来40个行业指数的顶部信号表现，在其后一周或两周的时间窗口内仅为小幅下跌，平均跌幅仅为1%，但指数波动率平均达到年化40%-50%，是正常区间波动率的一倍。即高位信号在帮助组合规避回撤的同时也会损失部分收益，整体上还是可以提高组合夏普比率。 3.3.上涨中继确认信号 股价在上涨趋势中并非每个时点的确定性都相同，而是在某些结构特征下的上涨延续性较强，其中之一就是平台突破。不同研究框架下的平台突破具有不同含义，本报告中定义为：股价上涨没有伴随成交量的显著放大，但是获利股本比率大幅提升。该特征说明投资者持股信心较强，即便是短期内多数投资者获利，仍然未出现放量卖出的现象。 2019-2-11号的农林牧渔指数是比较典型的稳量平台突破，在2个交易日之前获利盘比率仅有40%，而此后经过1.6%的换手把获利盘比率大幅提升至70%之上。 图11:2019-2月农林牧渔指数出现平台突破的股本分布特征 量化信号构建：换手率处于过去40个交易日的70%分位以内，获利盘比率提升30%以上。 利用40个行业指数2018年以来数据进行回测，平台突破信号的表现如下表所示： 表5：平台突破信号表现 该信号具有比较显著的统计效果，在信号发出后的一周内平均持有指数收益率为3.3%，后两周内持有平均收益为5%，进一步如果利用均线确定卖出点，则平均持有收益率可提升至6.7%，盈亏比和胜率也相应得到提升。 平台突破是上涨中继信号中的一种，在之后的系列报告中我们将继续补充其他类型上涨确认信号。 4.FSD模型优化 流通股本分布的概念已经流行很多年，然而其计算方法也未能得到革新，最后我们尝试对其模型计算进行优化。近些年随着市场的发展，level2数据以及日频的场内两融和北上资金持股数据极大扩充了投资者分析工具，可以将以上信息融入到流通股本计算中。 4.1.利用场内融资信息优