2023年股市分析 高频数据的因子化研究

一、高频因子思考：从低频信息到高频信息

近年来，A股市场机构化趋势明显，量化私募机构的管理规模也迅速扩大，产 生了一批管理规模超过百亿的量化私募机构。与此同时，传统的风格因子波动增 大，从市场获取超额收益的难度在增加。 因子拥挤是因子收益下降的原因之一。因子代表着市场某方面的非有效性、或 者是一段时期内的定价失效。当某类因子收益高的时候，会吸引更多的资金进入， 从而出现因子拥挤，降低因子的预期收益。一旦新的因子被公开，套利资金的介入 会使得错误定价收窄，因子收益也会跟着下降。因此，在多因子选股模型中，因子 的开发和更新迭代变得越来越重要。

以传统日频价量和更低频财务数据为基础的因子开发是一种研究途径。由于基 础因子广为人知，在此基础上进行因子挖掘的收益提升空间相对有限。而且日频数 据由于本身的数据量和信息量有限，过度挖掘会增大过拟合的风险。 以高频价量数据为基础的因子开发在当下具有更大的收益提升空间。与低频因 子相比，高频数据在用于量化投资中存在一定优势。

首先，高频价量数据的体量明显大于低频数据。以分钟行情为例，用压缩效果 较好的mat格式存储2020年全市场股票的分钟行情数据（包括分钟频的开高低收价 格数据、买卖盘挂单数据等），约为12GB。如果是快照行情（目前上交所和深交 所都是3秒一笔）或者level 2行情，数据量要大很多。因此，高频数据因子挖掘对 信息处理能力和处理效率的要求较高。而且，日内数据，尤其是level 2数据，一般 要额外付费，甚至需要自行下载存储实时行情，在此基础上构建的因子拥挤度较 低。

其次，高频价量数据一般是多维的时间序列数据，数据中噪声比例较高，而且 与ROE、PE这类低频指标本身就具有选股能力不同的是，原始的高频行情数据一 般不能直接用作选股因子，而要通过信号变换、时间序列分析、机器学习等方法从 高频数据中构建特征，才能作为选股因子。此类因子与低频信号的相关性较低，而 且由于因子开发流程相对复杂，不同投资者构建的因子更具有多样性。 此外，高频数据开发的因子一般调仓周期较短，意味着在检验因子有效性的时 候，同一段测试期具有更多的独立样本。例如，在一年的测试期内，只有12个独立 的样本段用于检验月频调仓的因子，与之相比，有约50个独立的时段用于检验周频 调仓因子，有超过240个独立的时段用于检验日频调仓的因子。独立样本的增多有 助于检验高频因子的有效性。

高频数据挖掘因子的难点在于数据维度大、噪声高。凭借专业投资者的经验或 者是参阅已发表的文献，可以从高频数据中提炼出一部分有选股能力的特征。此 外，机器学习方法擅长从数据中寻找规律和特征，是高频数据因子挖掘的有力工 具。本篇专题报告通过将日内的数据分成几个数据维度，从不同的数据维度中建模 提取选股因子。

二、因子构建方法和主要性能指标

（一）因子构建方法

本报告构建因子时，从四大类不同的角度构建因子：日内价格相关因子、日内 价量相关因子、盘前信息因子、特定时段采样因子。其中，日内价格相关的因子是 由日内收益率的高阶统计量和日内价格形态衍生的因子，共计10个因子。日内价量 相关因子包括成交量分布以及用价量关系构建的因子，共计13个因子。盘前信息因 子主要是从开盘集合竞价信息中提炼的因子，共计7个因子。特定时段采样因子主 要是指根据一定规则筛选出重要时段，在该时段采样并计算提取的因子，主要包括 尾盘数据构建的因子和大成交量时段构建的因子，共计25个因子。

（二）因子分析指标

收益预测时，统一按照周度调仓的假设进行分析。T日收盘后计算的因子预测 的是从T+1日股票未来5个交易日的收益率，因子IC测试和收益回测都按照T+1日至 T+5日进行计算。 股票池：全市场或者中证500指数成分股，剔除新股、ST个股、因子计算当日 和交易日停牌或者涨跌停的个股。 IC：T日因子与T+1日开盘后5个交易日收益率的相关系数。 IC胜率：IC与因子方向相同的比率（因子方向按照整个回测区间因子IC均值的 正负号确定）。

年化ICIR：IC绝对值与IC标准差之比的年化值，即 ICIR = sqrt(N) ∗ abs(IC)/std(IC) 其中N表示一年内包含的交易周数。 在选股测试时，按照因子方向和因子取值将股票池内股票平均分为10组组内股 票等权。 多空超额收益率：因子多头组合收益相对因子空头组合的年化超额，越大则表 示因子选股能力越强。 多空超额胜率：因子多头组合收益相对因子空头组合的超额胜率。 正Alpha：因子多头组合收益相对基准指数的年化超额，越大则表示因子多头 相对基准的超额收益越高。 负Alpha：因子空头组合收益相对基准指数收益的年化超额，越小（为负且绝 对值越大）则表示因子空头相对基准负的超额收益越高。

三、日内价格相关因子

（一）因子计算方法

价格数据中蕴含了丰富的股票信息，在传统多因子体系中，股价反转、波动率 都是重要的风格因子。在高频数据中，可以用类似方法构建相关的特征。

设个股 i 在D日的日内分钟频率下的股票价格序列为{,, }, = 1,2,3, ⋯ , ， 收益率序列为{,, }，其中 ,, = ,, −1,, − 1, = 2,3, ⋯ , 则已实现收益率方差为 _, = 1 − 2 ∑ (,, − ̅,) 2 =2 其中，̅,表示股票日内收益率的均值。收益率方差取值范围为[0,+∞)。 已实现收益率偏度为 _, = 1 − 1 ∑ (,, − ̅,) 3 _, 3/2 =2 收益率偏度可以用来度量收益率分布的不对称性，取值范围为(−∞,+∞)，当 偏度<0时，表示收益率分布左偏，当偏度>0时，表示收益率分布右偏。

已实现收益率峰度为 _, = 1 − 1 ∑ (,, − ̅,) 4 _, 2 =2 峰度可以用来度量随机变量概率分布的陡峭程度。收益率峰度取值范围为 [1, +∞)，当峰度超过3时，认为该分布厚尾。 real_upvar为仅考虑,, > 0时的已实现收益率方差，real_downvar为仅考虑,, < 0时的已实现收益率方差。可以进一步展开，构建上行收益率方差比值和下 行收益率方差比值： _, = _, _, _, = _, _, 根据日内股价的形态，可以构建如下因子。

其中，趋势占比可以衡量日内股价的趋势强度，取值范围为[−1,1]，其计算方 法为 , = ,, − 1,, ∑ |,, − −1,, | =2 日内收益率仅考虑日内的股价变化， _, = ,, , − 1 其中，,为股票当日开盘价，,,为股票当日收盘价。日内最大回撤表 示分钟行情价格的最大回撤，取值范围为(−1,0]： _, = min 0<< min 0<≤− +,, ,, − 1。

（二）因子全市场选股、中证500内表现

日内价格数据构建的因子中，real_var 、real_upvar、 intraday_maxdrawdown因子在全市场及中证500中的效果较好，且最近几年这些因子整体上维持 着较为有效的特征。

四、日内价量相关因子

（一）因子计算方法

成交量是日内行情信息的重要组成部分。一方面，成交量的分布可以反映投资 者的行为特征，另一方面，成交量与价格或者价格走势的关系可以确认价格形态的 信息。 将每天的4个小时交易时间按照时间平均分为8段，根据每段的成交量占全天成 交量之比。

其中，价量相关性是指价格序列和成交量序列的相关性，记股票日内分钟频率 下的成交量序列为{,, }, = 1,2,3, ⋯ , ，则该因子计算方法为 _, = (,, , ,,) 收益率与量的相关性为 _, = (,, , ,,) _, = (,, , −1,,) _, = (,, , +1,,) 其中，_,是指成交量与上一个时刻收益率（滞后收益率）的相关 性，_,是指成交量与下一个时刻（超前收益率）的相关性，上述相关性因子的取值范围为[−1,1]。

Amihud非流动性因子是Amihud在2002年提出了衡量流动性的因子，考虑单位 成交额驱动下，股价的变化幅度。因子值越大，说明股票的价格越容易被交易行为 所影响（即流动性越低）。常见的Amihud非流动性因子是按照日频构建的，本报 告在分钟频率下构建类似的因子， ℎ_, = 1 − 1 ∑ |,, | ,,,, =2 该因子是指在分钟频率下，单位成交额驱动下，股价的变化幅度。Amihud非 流动性因子取值非负。

（二）因子全市场选股、中证500选股内表现

日内价量类数据构建 的因子中，ratio_volumeH1、corr_VP、ratio_volumeH5、corr_Vrlag、Amihud_illiq这5个因子 在全市场及中证500中的选股效果较为显著。

五、盘前信息因子

（一）因子计算方法

盘前信息主要包括隔夜收益率（开盘价相对前收盘的收益率）和开盘前集合竞 价信息。目前，A股证券交易所在每个交易日的9:15至9:25为开盘集合竞价时间。 开盘集合竞价又分为两个阶段，其中第一阶段是9:15至9:20，该阶段允许撤销已经 提交的订单；第二阶段是9:20至9:25，该阶段目前不允许撤销已经提交的订单。集 合竞价信息反映出资金的试盘行为和多空双方的博弈。

（二）因子全市场选股、中证500选股内表现

盘前相关的信息中，ret_open2AH1、diverge_A2因子在全市场 及中证1000中的选股效果较为显著。

六、特定时段采样因子

（一）因子计算方法

本报告将部分时段的数据进行重点分析，产生衍生因子。一般来说，开盘后半 小时（9点半至10点）和收盘前半小时（14点半至收盘）的股票成交活跃，多空博 弈激烈，蕴含的信息相对较多。本报告针对收盘前半小时的价量信息构建了如下因 子。在不同的成交中，大单成交与主力资金关联较大，蕴含的信息可能更多。本报 告将个股在每个交易日的分钟成交量时间序列按照成交量大小排序，将分钟成交量 排名前1/3的成交量定义为“大成交量”。针对大成交量对应的时刻的股价信息， 可以构建大成交量相关因子。

（二）因子全市场选股、中证500选股内表现

开盘后半小时构建的因子中，其中ret_close2H1、real_varH1在全市场及中证 500中的选股效果较为显著。收盘前半小时构建的因子中，其中ret_H8、corr_VRH8在全市场及中证500中 的选股效果较为显著。大成交量对应的时点构建的因子中，其中real_varlarge、ratio_realvarlarge、 corr_Vplarge因子在全市场及中证500中的选股效果较为显著。

七、总结与展望

本报告从四类不同的角度构建因子：日内价格相关因子、日内价量相关因子、 盘前信息因子、特定时段采样因子。考察了55个因子周频选股的表现。 采用因子IC和多空收益进行分析，筛选出12个周度选股能力较好的因子： real_skew（已实现偏度）、ret_intraday（日内收益率）、ratio_volumeH8（尾盘 半小时成交量占比）、corr_VP（日内价量相关性）、corr_VRlag（量与滞后收益 率相关性）、Amihud_illiq（Amihud非流动性因子）、ret_open2AH1（开盘价相对 第一阶段集合竞价最高价的收益率）、ret_open2AL1（开盘价相对第一阶段集合 竞价最低价的收益率）、ret_H8（尾盘半小时收益率）、real_skewlarge（大成交 量已实现偏度）、corr_VPlarge（大成交量价量相关性）、corr_VRlaglarge（大成 交量量与滞后收益率相关性）。

编辑：999感冒灵