量价背离是 Alpha 101 里数量最多的一类，有 32 个因子。上一篇讲过，核心逻辑就一句话：价格和成交量应该同步，不同步的时候有交易机会。
这篇挑 5 个经典因子，把公式拆到底层，看看 WorldQuant 是怎么把"量价关系"这个古老的技术分析概念变成可计算的信号的。
Alpha#3 与 Alpha#6：rank 到底有多大区别
Alpha#3 在上一篇已经介绍过基本形态：
$$\text{Alpha#3} = -1 \times \text{correlation}(\text{rank}(\text{open}),\ \text{rank}(\text{volume}),\ 10)$$Alpha#6 长得几乎一样，区别只有一个字：没有 rank。
$$\text{Alpha#6} = -1 \times \text{correlation}(\text{open},\ \text{volume},\ 10)$$看起来差别不大，实际效果差很多。
rank 版本（#3）先把所有股票的开盘价和成交量分别排名，再算排名之间的相关性。这意味着：贵州茅台的开盘价 1800 元和某只小盘股的 5 元，在 rank 之后可能一个是 0.99 一个是 0.01，但它们在各自的排名位置上是"对等"的。极端值不会影响相关性计算。
raw 版本（#6）直接拿原始价格和成交量算 Pearson 相关。问题来了：如果某只股票在这 10 天里有一天成交量突然暴增 10 倍（比如被游资炒作），这一个异常点就能把整个 10 天的相关系数拉到接近 +1 或 -1。Pearson 相关对极端值极其敏感。
实操中的差异：#3 更稳定，换手率低，适合持仓周期稍长的策略。#6 对异常放量/缩量事件更敏感，信号更"尖锐"但噪音也更大，适合持仓 1~2 天的快速反转。
这两个因子放在一起看，其实是同一个经济假说（量价背离看反转）在"鲁棒性 vs 灵敏度"这条轴上的两个端点。
Alpha#14：两维信号叠加
$$\text{Alpha#14} = -1 \times \text{rank}(\text{delta}(\text{returns}, 3)) \times \text{correlation}(\text{open},\ \text{volume},\ 10)$$这个因子做了一件有意思的事：把两个独立维度的信号相乘。
第一项 rank(delta(returns, 3))：过去 3 天收益率的变化排名。delta(returns, 3) 就是"今天的日收益率减去 3 天前的日收益率"。如果今天涨 2% 而 3 天前涨 0.5%，delta 为正，说明收益在加速。rank 之后做截面比较。
第二项 correlation(open, volume, 10)：过去 10 天开盘价和成交量的直接相关性（和 Alpha#6 一样，不做 rank）。
两项相乘，取反。什么情况下因子值最大（最强的做多信号）？
rank(delta(returns, 3))排名高 → 收益在加速上涨correlation(open, volume, 10)为负 → 量价背离
乘积为正，取反后为负？不对。仔细看：-1 * rank(...) * correlation(...)。rank 恒正（0 到 1），correlation 可正可负。当 correlation < 0（量价背离）时，乘积为负，再取反变正，做多信号。当收益在加速且量价背离时信号最强。
经济直觉：一只股票收益在加速，但成交量没跟上来，说明上涨不是靠增量资金堆出来的。这种"安静的加速"往往比放量暴涨更有持续性，因为没有吸引太多短线跟风盘，获利了结的压力小。
对比单维度的 Alpha#6，Alpha#14 多了一层"收益加速度"的过滤。逻辑上更精细，但参数也多了（3 天差分 + 10 天相关），过拟合风险更高。
Alpha#17：三因子交互的极端案例
$$\text{Alpha#17} = -1 \times \text{rank}(\text{ts_rank}(\text{close}, 10)) \times \text{rank}(\text{delta}(\text{delta}(\text{close}, 1), 1)) \times \text{rank}(\text{ts_rank}(\text{volume} / \text{adv20}, 5))$$三项相乘，每一项都有独立的经济含义：
第一项 rank(ts_rank(close, 10))：当前收盘价在过去 10 天里排第几，再做截面排名。值高 = 这只股票的收盘价处于近 10 天的高位，而且在所有股票里也算高位的。
第二项 rank(delta(delta(close, 1), 1))：收盘价的二阶差分。delta(close, 1) 是一阶差分（今天减昨天），再 delta(..., 1) 就是二阶差分（今天的变化减去昨天的变化）。二阶差分正 = 价格变化在加速（今天涨得比昨天多，或者跌得比昨天少）。
第三项 rank(ts_rank(volume/adv20, 5))：今天成交量相对于 20 日均量的比值，在过去 5 天里排第几。值高 = 最近几天成交量相对于中期均值在放大，而且今天可能是放量最猛的一天。
三项乘起来取反。因为 rank 恒正（0~1），三项乘积恒正，取反后恒负？不完全是。三项值域都是 (0, 1]，乘积越大，取反后绝对值越大（越强的做空信号）。乘积最大的情况是：价格在 10 天高位 + 价格变化在加速 + 成交量在近期高位。
翻译成交易语言：一只股票最近 10 天涨到了高位，涨速还在加快，同时成交量急剧放大。Alpha#17 对这种"放量加速冲顶"的股票给出做空信号。
这和技术分析里"天量见天价"的经验吻合。当所有利好条件同时出现（价格高位 + 加速上涨 + 巨量），往往是最后一波冲刺，随后的获利回吐会很猛烈。
三因子交互的代价是参数空间大：10 天价格窗口、1 天差分、20 天均量基准、5 天成交量窗口，四个时间参数各自可调。论文里这些数字大概率是优化出来的，换到不同市场需要重新验证。
Alpha#55：日内位置 × 成交量的量价背离
$$\text{Alpha#55} = -1 \times \text{correlation}\!\Big(\text{rank}\!\Big(\frac{\text{close} - \text{ts_min}(\text{low}, 12)}{\text{ts_max}(\text{high}, 12) - \text{ts_min}(\text{low}, 12)}\Big),\ \text{rank}(\text{volume}),\ 6\Big)$$先拆分子里的那个比值：
$$\frac{\text{close} - \text{ts_min}(\text{low}, 12)}{\text{ts_max}(\text{high}, 12) - \text{ts_min}(\text{low}, 12)}$$分母是过去 12 天的价格振幅（最高价的最大值 - 最低价的最小值），分子是当前收盘价相对于这段振幅底部的距离。整个比值的取值范围是 0~1，衡量"当前价格处于近 12 天振幅的什么位置"。值 = 1 意味着收盘价恰好在 12 天最高点，值 = 0 意味着在最低点。
这其实就是一个慢速版的 Stochastic Oscillator（随机振荡器），不过用了 12 天窗口而不是经典的 14 天，而且取的是 close 而不是收盘价相对当日 high/low 的位置。
然后把这个"价格位置"的截面排名和成交量的截面排名算 6 天滚动相关，取反。
经济含义：如果一只股票在 12 天振幅的高位区间时成交量也大（相关性为正），说明高位放量，市场在疯抢，取反后做空。如果高位区间但成交量反而缩小（相关性为负），说明高位缩量，抛压轻，取反后做多。
和 Alpha#3 的区别在于，#55 不是直接用开盘价和成交量算相关，而是先把价格转换成"在近期振幅中的位置"，消除了绝对价格水平的影响。一只从 100 元涨到 120 元的股票和一只从 10 元涨到 12 元的股票，在这个指标下是等价的，都处于振幅的 100% 位置。
32 个量价因子的共性模式
把 32 个因子摊开看，构造公式的基本套路就三种：
模式一：correlation(rank(价格变量), rank(成交量变量), 窗口)
#3、#6、#15（用 high 替代 open）、#44（用 low 替代 open）、#78、#81、#85、#95、#99 都是这个骨架。区别在于：用 open/close/high/low 的哪一个，是否做 rank，窗口取多少天。
这组因子的经济假说完全相同：量价背离看反转。不同价格变量的选择对应不同的信息来源。open 反映隔夜信息消化，close 反映日内博弈结果，high/low 反映极端情绪。
模式二：量价相关性 × 另一个维度的信号
#14（× 收益率加速度）、#22（× 价格波动率）、#45（× 收盘价变化的 decay_linear）。先算量价相关性作为"基础判断"，再乘以另一个信号维度来过滤或增强。
模式三：scale / decay_linear 的后处理
#32（用 scale 把信号转成仓位权重）、#77（用 decay_linear 给近期信号更大权重）、#88（开盘价排名的衰减相关性）。这些因子在核心量价背离逻辑之外，加了信号强度或时间衰减的调节。
32 个因子本质上在反复验证同一个假说：价量不同步的股票后续更可能反转。不同因子是这个假说在不同参数组合、不同价格变量、不同时间尺度上的具体实例。如果你在搭建自己的因子库，不需要把 32 个全算一遍，挑每种模式里信号最干净的 1~2 个（比如 #3、#14、#55）就足够了，剩下的高度冗余。
下一篇讲动量与反转类因子，看看 Alpha 101 怎么处理"什么时候该追趋势、什么时候该做反转"这个问题。
系列导航
- Alpha 101 全解读：因子分类与算子速查
- 本篇：量价背离类因子详解（32 个因子）
- 动量与反转类因子详解（23 个因子）
- 波动率与日内结构类因子详解（23 个因子）
- 流动性与复合因子 + 因子组合实战（23 个因子）