今天要聊的是 Alpha 101 系列中的第 3 个因子，公式是：

Python
Alpha#3 = -1 × correlation(rank(open), rank(volume), 10)

这玩意儿看起来又是个典型的Alpha，各种rank、各种correlation、一堆负号，但我真心觉得它有点东西。虽然你可能第一眼觉得它像是某种工业垃圾因子（其实Alpha 101里不少长这样），但别急，细嚼慢咽一下，它比你想象得聪明。

因子拆解

先拆一拆结构，没那么复杂：

  • rank(open)：开盘价做了个横向排名，标准化处理，防止极端值影响。
  • rank(volume)：同理，对成交量进行横向排名。
  • correlation(…, 10)：过去10天里两个序列之间的皮尔逊相关性。
  • 最后乘个负号：反向思维，低相关越好，或者说负相关越强，分数越高。

所以这个因子的核心想法是：

在过去10天里，开盘价的排名和成交量的排名之间的相关性越低（最好是负相关），这个因子的值就越大。

注意，这里不是说开盘价和成交量的值，而是它们的“相对位置”是否联动。这其实挺有意思的，它在追踪一种“非共振”的状态。

Alpha #3因子在捕捉量价不同步信号

我个人是这么理解这个因子的：它试图去抓住市场中那些价格和量不同步的时刻。

当一只股票开盘价很高，但量却排在低位，或者反过来，说明有点“意外”——可能是资金还没反应过来、也可能是有些投资者在悄悄布局。这种状态下，主力还没发力，但价格已经先动了，或者量突然异常，但价格没跟上。

这种错位感，我特别喜欢。它不追求“高量高价”这种大家都看到的机会，而是去找那些还没被定价机制完全消化的信息，这在短线交易中是很宝贵的。

说得再直白一点：

  • 相关性高：说明市场在一个“共识环境”下运作，该涨的涨，该量的量，没啥特别。
  • 相关性低甚至为负：可能是预示某种反转、突发事件、结构性分歧，市场还没定好方向。

这个因子在小市值 + 波动股里比较有戏

坦白说，如果你把这个因子丢到全市场里跑，表现未必惊艳。但当我把它筛选在一些波动大的小票里（特别是那些隔夜容易受消息冲击的品种），它的信号就相当敏感。

比如某只小票在开盘前出个模糊利好，结果开盘价格被抬高了，但市场大部分人还没搞清楚消息真假，成交量没怎么放出来。这时候rank(open)拉高但rank(volume)不跟，correlation就会拉低，Alpha#3 给出一个不错的提示信号。

不过实话实说，这个因子不太适合中长周期，它的“有效信息”窗口很短，甚至1~3天后就没啥用了。你要真拿它去做30日持有期，那是用手榴弹钓鱼——浪费。

一点吐槽

我得说实话，这个因子是典型的“工具性”因子，不太会成为明星选手，但它作为信号融合的一环非常有价值。它没啥想象空间，不像动量类因子或者盈利修复类因子能讲大故事。

它适合混合因子池里补盲区，比如你组合里动量、反转、估值都有了，但就是缺一个状态检测器，它就能提醒你某只票最近的量价关系有点古怪，值得看看。

我会把这个因子定义为一种情绪混乱探测器。它不预测未来，也不评估基本面，它只是说：

过去10天，这票的开盘价和成交量有点不同步，可能有事。

你拿它做主力因子可能不够力，但如果你是一个多因子模型构建者，或者你和我一样喜欢捕捉市场异象，这个因子值得拥有姓名。

Python
import pandas as pd
import numpy as np
from scipy.stats import rankdata

def rank_series(series):
    """对 Series 做横向排名，按时间点逐个 rank"""
    return series.rolling(window=1).apply(lambda x: rankdata(x)[-1], raw=True)

def rolling_corr(series1, series2, window):
    """计算两个序列的滚动相关性"""
    return series1.rolling(window).corr(series2)

def alpha_3(df, window=10):
    """
    Alpha#3 = -1 * correlation(rank(open), rank(volume), 10)
    输入: df 包含 open 和 volume 两列
    输出: 一个新的 Series，表示该因子的值
    """
    # 横向排名
    rank_open = df['open'].rank(axis=0, method='average', pct=True)
    rank_volume = df['volume'].rank(axis=0, method='average', pct=True)
    
    # 滚动相关性
    corr = rolling_corr(rank_open, rank_volume, window)
    
    return -1 * corr

# 示例：构造数据
# 假设你有一个 DataFrame，列名为 open, volume，索引是日期
data = {
    'open': [10, 10.5, 10.7, 10.1, 10.3, 10.6, 10.4, 10.9, 11.0, 11.1, 11.3],
    'volume': [1000, 1100, 900, 950, 980, 1030, 990, 1020, 1005, 1010, 1070],
}
df = pd.DataFrame(data)
df['alpha_3'] = alpha_3(df)

print(df)