研究背景：股票市场存在一定的隔夜相关性特征，日度收益可以拆解为隔夜收益和日间收益。结合近期学术成果，本报告从日间、隔夜等特征相关度出发，刻画相似股票的关联特征。
　　隔夜涨跌幅相关性研究思路：将多空信号和交易执行进行分离，通过信号与执行分离的机制，只捕捉跨股票的信息效应。基于夜收益和日间收益来构建相关性矩阵，然后划分领先群组（Leader）和滞后群组（Lagger），在此基础上构建交易策略，仅从领先群组生成信号，仅在滞后群组内交易。
　　实证研究：基于相关文献方案，潜在的问题在于股票之间的特征值差异相对较小，进一步尝试直接基于特征进行KMEANS聚类分析，并基于平均数值强度确认领先群组和滞后群组。测算显示，日度调仓下，A股的领先滞后效应呈现反转效应，即基于领先群组发出预期看多信号后，空头组合表现相对更加强势，发出看空信号则相反，且策略相对适用于中小盘股票。
　　因子研究：基于隔夜相关信息构建周度月度选股因子。直接构建领先滞后相关性因子，选股区分度不够突出。进一步引入常规相关性，即先筛选隔夜收益和日间收益相关性最高的股票群组，再计算常规相关性，该因子与常规方法计算的相关性因子内部相关性不高于60%，提供边际增量，其中corr_combined1的月度RANK_IC为8.13%，多头年化收益为18.2%，周度RANK_IC为6.59%，多头年化收益为22.1%。
　　相关性分析：因子内部相关性方面，隔夜日间和常规相关性因子的相关程度相对较低。与风格因子的相关程度方面，相关性因子与残差波动等风格呈现一定相似性。
　　风险提示：本专题报告所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时可能存在失效风险；策略在市场结构及交易行为的改变时有可能存在策略失效风险；因量化模型不同，本报告提出的观点可能与其他量化模型结论存在差异。