2022年股票分析方法 绩优因子表现分析

一、背景介绍

波动率研究在资产定价及风险管理中具有重要作用，而如何更准确地估计波动率以 及如何从中提取出Alpha信息一直是学界的热门话题。早在上世纪80年代，Merton （1980）在《On Estimating the Expected Return on the Market: An Exploratory Investigation》中就提出高频股价收益率可以用于准确地估计波动率。然而这一推论 是建立在资产价格的连续扩散模型之上的，这一假设在实证研究中往往不能得到满 足。虽然近年来利用高频股价数据开展的研究越来越多，但是直接利用高频数据进 行波动率建模仍然十分困难。学术界利用高频数据估计波动率的一个重要研究成果 是Andersen等（2001）在《The Distribution of Realized Exchange Rate Volatility》 中提出的已实现波动率，这一简单的估计方式在预测波动率方面已被反复验证要优 于许多经典连续时间模型的估计结果。然而较为可惜的是，随后大量的实证研究表 明已实现波动率对资产收益率的预测效果有限。

另一方面，越来越多的研究表明资产价格不能用简单的连续时间模型来刻画，而应 该将资产价格中的不连续变化（即跳跃）考虑在内。随着Barndorff和Shephard（2004） 在《Power and Bipower Variation with Stochastic Volatility and Jumps》中利用股 价的跳跃—扩散模型从理论上证明可以将资产价格波动率中的跳跃部分分离出来， 这使得研究股价波动率中的跳跃部分对资产收益率的预测成为可能。在此基础上， 随后的许多学术研究尝试从不同方面对股价波动率的跳跃部分进行分解，以寻找其 中更显著的资产定价信息。 我们看到目前业界在A股上利用股价跳跃模型进行因子实证的研究还较少，因此本报 告试图梳理相关的学术研究成果，并构建一系列衍生日内跳跃波动因子进行A股实证 研究。

二、研究进展

Yu等（2020）在《New Evidence of the Marginal Predictive Content of Small and Large Jumps in the Cross-Section》中分别从大小和方向（上行、下 行）这两个维度构建跳跃波动的分量因子进行实证研究，他们发现不同因子对股价 收益率预测具有不同的作用。具体的，他们构建了以下9个因子：

（1） 上行跳跃波动因子： = ( + − ̂/2,0), （2） 下行跳跃波动因子： = ( − − ̂/2,0), （3） 上下行跳跃波动不对称因子： = − , （4） 大程上行跳跃波动因子： = ( , ∑ =1 , 2 {,≥} ), （5） 大程下行跳跃波动因子： = ( , ∑ =1 , 2 {,≤−} ), （6） 大程上下行跳跃波动不对称因子： = − , （7） 小程上行跳跃波动因子： = − , （8） 小程下行跳跃波动因子： = − , （9） 小程上下行跳跃波动不对称因子： = − 。

本报告综合Duong和Swanson（2015）、Bollerslev等（2020）、Yu等（2020）对 于跳跃波动因子的构建思路，对他们所构建的跳跃波动因子及其对应的用已实现波 动率进行归一化的因子构建了26种日度因子。并利用日度因子值分别构建周度和月 度均值因子展开实证分析。下图展示了跳跃波动类型因子构建框架：

三、实证分析

（一）数据说明

选股范围：全A市场 ；股票预处理：剔除ST/ST*、涨跌停板、上市未满60个交易日股票 ；因子预处理：去极值、标准化、行业市值中性化 ；回测区间：2010.01.01 - 2022.07.29 分档方式：根据当期股票的因子值，从小到大分为十档 ；调仓周期：每周/每月最后一个交易日以收盘价调仓 ；交易费用：双边千三。

（二）因子构建说明

本节利用5分钟数据频率构建已实现跳跃波动类型因子，选择5分钟数据频率是因为 研究表明数据频率太低与太高都会导致估计不准确，因此这里选择与大部分实证研 究相同的数据频率进行测试，本文第五章会展示不同数据频率构建下的因子表现。 其 中 ̂ 我们用和 Yu 等 （ 2020 ） 中 相 同 的 三 幂 次 变 差 进 行 计 算 ， 即 ̂ = −2/ ∑ = | | m |−1 | m … |−+1 | m , ( = 3, = 2/3)；另外在构建大程、小程跳跃 变化因子时选用的阈值也与Yu等（2020）的构建方式相同（ = −0.49√̂，这 里N等于一天中股价数据个数，为经验参数），本报告中选择为Yu等（2020）测 试中表现较好的参数值 = 4，第五章同样将对进行参数敏感性分析。本报告中构 建的周度均值因子和月度均值因子分别是用调仓日前5个交易日和前20个交易日的 日度因子通过计算均值得到，相应的调仓周期分别为一周和一个月。

（三）因子分档表现

按照是否归一化及调仓频率进行分类，本小节分别展示周度未归一化因子、周度归 一化因子、月度未归一化因子、月度归一化因子的分档表现。

1. 周度未归一化因子分档表现

对于周度未归一化因子，可以发现有6个因子的分档表现单调性较好，分别是 RJV_week、RJVP_week、SRJV_week、RLJV_week、RLJVP_week、SRLJV_week。

2. 周度归一化因子分档表现

对于周度归一化因子，7个因子的分档表现单调性较好，分别是RRJVP_week、 RSRJV_week、RRLJV_week、RRLJVP_week、RSRLJV_week、RRJVN_week 、 RRLJVN_week，其中前5个因子对应的未归一化因子分档表现单调性也较好。

3. 月度未归一化因子分档表现

月度未 归一 化跳跃 波动 因子的分 档 单调性普 遍 不明显 ， 仅 SRJV_month、 SRLJV_month两因子相对较好。

4. 月度归一化因子分档表现

月度归一化因子的分档表现相比月度未归一化因子有所提升，其中RRJVP_month、 RRJVN_month、RSRJV_month、RSRLJV_month因子分组单调性较好。但整体而 言，月度归一化因子相比周度因子单调性仍有一定程度弱化。

整体来看，周度跳跃波动因子的分档表现单调性较月度因子更明显，另外归一化对 因子分档表现并没有显著的提升效果。下面将详细展示上述因子的IC和多空表现。

（四）因子绩效表现

1. 周度未归一化因子绩效表现

周度未归一化跳跃波动因子的因子覆盖度为86.56%，所有因子均表现出负IC的特征， 其中综合表现最优的因子是SRJV_week：IC均值-8.76%、年化ICIR-8.91、周度IC 胜率近90%、t值-31.33，多空年化录得45.97%、多空夏普4.4，周均双边换手为1.63。 此外，还有3个因子表现亦十分优异，IC与多空业绩与SRJV_week接近，分别是 RJVP_week、RLJVP_week和SRLJV_week因子，多空收益均在40%上下。后文我 们将对这4个绩优因子进一步展开分析。

2. 周度归一化因子绩效表现

相比未归一化因子，归一化后只有RRJVN_week和RRLJVN_week因子IC表现有所 提升，其余因子IC均有一定程度减弱。多空表现方面，只有RRJVN_week、 RRLJVN_week和RRSJVN_week因子多空收益有所提升，其余因子表现减弱； RSRJV_week因子录得IC均值-7.24%、多空年化30.40%，相对表现最优。周度未归 一化因子中4个绩优因子在归一化之后多空表现仍然相对较好。

3. 月度未归一化因子绩效表现

和周度未归一化跳跃波动因子IC表现类似，月度未归一化因子整体呈现负IC特征， 月均双边换手与周平均类似，但调仓次数降低能有效降低全年换手。横向对比来看， 依然是4个绩优周频因子对应的月度因子表现较好，IC均值为-9%左右，多空年化在 26%-30%之间。

4. 月度归一化因子绩效表现

月度因子归一化后，各因子中仅RSJ_month和RRJVN_month IC有所提升，其余因 子IC表现均有一定程度降低。多空表现方面，RSRJV_month因子录得相对较高的年 化收益为24.17%，另有三个因子多空年化超过20%，但整体看较归一化前业绩表现 有所弱化。

总结来看，上述52个跳跃波动类型因子在全市场中因子覆盖度均在85%以上，周度 未归一化跳跃波动因子的表现最强。综合IC与多空表现，我们认为其中RJVP_week、 SRJV_week、RLJVP_week和SRLJV_week这4个因子表现较优，下面我们进一步 考察这4个绩优因子的特征与表现。

四、绩优因子表现分析

（一）SRJV_week 因子表现分析

在全市场选股中，SRJV_week因子长期表现稳定，2022年因子有效性延续。全历史 来看，因子IC均值为-8.76%，IC胜率为89.27%，年化ICIR为-8.91，t值为-31.33。 多空组合业绩方面，年化收益为45.97%，夏普比率为4.40，Calmar比率为4.80，最 大回撤为9.58%，周均双边换手率为1.63。回撤方面，多空组合在2020、2021年的 回撤较此前年份有所提升，但2021年以来回归正常。因子的周度IC胜率近90%，时 序IC累加曲线无明显波动。此外，因子IC半衰期约为1周。

（二）RJVP_week 因子表现分析

与SRJV_week因子类似，RJVP_week体现出稳定良好的IC及多空特征。2022年多 空增长进一步提速。全历史因子IC均值为-8.58%，IC胜率为84.91%，年化ICIR为 -7.29，t值为-9.24。多空组合方面，年化收益为43.85%，夏普比率为3.45，Calmar 比率为3.42，最大回撤为12.84%，周均双边换手率为1.31。2020年及2021年中多空 组合的回撤较此前年份有所提升，但2022年以来多空表现进一步提升，年化收益为 58.27%，夏普比率为5.45，最大回撤为4.26%。此外，因子IC半衰期约1周。

（三）RLJVP_week 因子表现分析

RLJVP_week因子IC均值为-8.26%，IC胜率为88.48%，年化ICIR为-8.68，t值为 -30.51。多空组合方面，年化收益为42.16%，夏普比率为4.13，Calmar比率为4.65， 最大回撤为9.07%，双边换手率为1.49。与此前年份相比，该因子在2020与2021年 中的回撤有所加大，但2022年以来收益及回撤均明显改善，2022年以来年化收益为 62.90%，夏普比率为6.93，最大回撤为3.43%。因子IC半衰期同样约1周。

（四）SRLJV_week 因子表现分析

SRLJV_week因子IC均值为-7.88%，IC胜率为90.00%，年化ICIR为-9.57，t值为 -33.65。多空组合方面，年化收益为37.19%，夏普比率为4.05，Calmar比率为4.35， 最大回撤为8.54%，周均双边换手率为1.62。该因子多空组合在2020-2021年间增长 较缓慢，但2022年以来明显提速，2022年以来多空年化收益为46.88%，夏普比率 为5.71，最大回撤为4.15%。因子半衰期同样约为1周。

（五）绩优因子的风格相关性及行业暴露分布

本节我们将去极值、标准化后的4个绩优因子与常见风格因子进行Spearman秩相关 性分析，同时我们也考察因子的行业暴露分布。 相关性分析如下表所示。SRJV_week、SRLJV_week因子的风格相关性较低，相关 系数均在15%以下；而RJVP_week、RLJVP_week因子与残差波动率因子、BP、 流动性因子存在一定的相关性。 此外，4个因子在各行业上的暴露均无明显偏离。

五、绩优因子参数敏感性分析

跳跃波动类因子作为日内波动率跳跃分量的度量，其蕴含的信息会受到数据频率的 影响，利用过短周期的数据构造因子可能存在过多噪声，而使用过长周期的数据构 造因子则可能造成信息稀释问题。除此之外，在拆分大小跳跃分量时所使用的经验 阈值参数是基于美股的研究结果，这一参数在 A 股的表现也需要进行测试分析。基 于上述考虑，本节分别对 4 个绩优因子进行数据频率分析，并对 RLJVP_week 和 SRLJV_week 因子同时进行经验阈值参数的敏感性分析。 对于 SRJV_week、RJVP_week 因子，其多空年化和多空夏普在 3 min、5 min、10 min 数据频率下表现接近，其中在 5 min 数据频率下多空年化录得最高，多空夏普在 10 min 数据频率下最高。1 min 数据频率下因子多空表现较差。对于 RLJVP_week 因子，其多空年化在 3 min 数据频率和阈值参数为 3 的情况下取最大值 43.61%。 RLJVP_week 因子多空夏普则在 10 min 数据频率和阈值参数为 4 的情况下取最大 值 4.22。RLJVP_week 因子在 1 min 数据频率下多空表现同样有一定程度降低。对 于 SRLJV_week 因子，其多空年化和多空夏普在阈值参数为 3 和数据频率大于 1 min 的情况下表现更好，随着阈值增大，SRLJV_week 因子的多空表现在一定程度 上有所降低。

六、绩优因子的衍生构造与测算

本节我们尝试对上述绩优因子进行衍生构造并测算其因子表现。具体而言，我们对 上述 4 个绩优因子分别进行 5 种衍生构造：（1）利用 1 min 早盘时间段（09：00-09： 30）数据计算因子；（2）利用 1 min 盘中时间段（09：30-14：30）数据计算因子； （3）利用 1 min 尾盘时间段（14：30-15：00）数据计算因子；（4）用 5 min 成交 量除以当天总成交量进行收益率加权计算因子；（5）将原始用 5 日日度因子等权平 均值计算周度因子改成利用赫尔移动平均的方式计算，其中赫尔移动平均的窗口选 为 5 天。测算显示这些衍生构造方式对于因子表现提升效果不明显，尤其是利用（1） （3）两种方式计算的因子表现明显弱化。

七、总结与展望

本篇报告从股价的跳跃—扩散模型相关研究出发，基于学界对跳跃波动因子的分解 构建思路，梳理了跳跃波动的理论发展过程、实证测试了跳跃波动类型因子在A股市 场的表现。结果表明其中4类因子IC和多空表现出色。分析发现这4类因子的业绩表 现较为接近，IC和多空表现均较稳定，在2022年表现仍依然不俗。其中全历史表现 最优的SRJV_week因子，IC均值为-8.76%，年化ICIR为-8.91，多空年化为45.97%， 夏普比率为4.40，最大回撤为9.58%。4类因子的多空回撤在2020及2021年较往年 有所加大，但2022年以来回归正常。SRJV_week、SRLJV_week因子的风格相关性 样较低，而RJVP_week、RLJVP_week因子与残差波动率、BP、流动性存在一定 的相关性。此外，4类因子均无明显行业偏离。由于短周期的数据构造因子可能存在 过多噪声，而使用过长周期的数据构造因子则可能造成信息稀释问题，绩优因子在构建时选用不同日内区间频率会导致表现有所差异，5分钟频率下因子表现较好而1 分钟数据频率下有所降低。对于RLJVP、SRLJV_week因子构建时涉及的阈值参数 我们也进行了敏感性测试，结果显示随着阈值参数中常数项偏离经验值而升高，因 子表现有所下降。最后，对4类因子进行的5种衍生构造尝试对业绩提升效果不明显。

通过本文的实证测试，我们看到尽管学界对日内股价跳跃波动的刻画在A股的实证资 产定价中取得不俗的效果，但由于高频因子的衰减特性，使得周度调仓的效果出色 而月频调仓则效果减弱，能否进一步改进得到在月度层面具有更显著预测能力的因 子是可能被关注的研究目标之一。此外，报告中绩优因子在2020年以来整体延续了 较好的多空增长，但波动较此前略有放大，针对这一现象的分析改进或也是进一步 研究的关注点。

编辑：JACK