2024年如何识别股价跳跃？

一、引言

股价跳跃是信息冲击的直接体现。Fama（1991）认为短期内股票价格的大幅变 化主要是由意外信息引起的。基于这一理论，近年来，学者们开始使用股价跳跃 作为信息冲击的代理变量，研究投资者对信息冲击的反应。例如，Jiang and Zhu (2017) 研究了美股投资者对信息冲击的反应情况，发现投资者在１～３个 月的短期内对股价跳跃存在反应不足的现象。 在 A 股市场中，徐龙炳和吴文彬（2023）研究了股价跳跃与动量/反转之间的关 系。虽然动量效应在不同国家和不同资产上普遍存在，但在 A 股市场却并非如 此。学者们认为，我国股票市场中散户投资者的占比较大。受限于散户投资者对 信息的判断和反应能力，其非理性程度较高，对于信息过度敏感。对于信息冲击， A 股市场的投资者往往过度反应，这导致 A 股市场反转效应比动量效应更明显。 徐龙炳和吴文彬（2023）发现 A 股市场的反转效应主要是由于股价跳跃所带来 的，扣除股价跳跃后的非跳跃收益则呈现动量效应。

此外，Meng et al. (2024)发现股价跳跃与投资者关注息息相关。当股价发生跳 跃时，可能会吸引博彩偏好型投资者的关注，引起短期关注过热的现象。同时， 市场关注度较高的个股，股价跳跃与未来收益的相关性越强。 本报告主要使用 Jiang and Zhu (2017)的方法，通过分钟数据识别股价跳跃， 并验证股价跳跃因子在 A 股市场的有效性。随后，我们将跳跃区分为正向跳跃 与负向跳跃，隔夜跳跃与日内跳跃作进一步检验。最后，我们将股价跳跃与换 手率相结合，对股价跳跃因子进行进一步的改进。

二、如何识别、计算跳跃收益

2.1 如何识别、计算跳跃收益

本文采用 Jiang and Oomen(2008)和 Jiang and Zhu(2017)的步骤来计算跳跃收 益，该方法的好处是不仅能够识别当日是否发生价格跳跃，而且能够识别出日内 所有价格跳跃发生的时段。

2.2 跳跃的分布情况

在上一节中，我们介绍了我们是如何识别并计算出股票每日的跳跃收益。在这一 小节中，我们首先观察跳跃在不同主要宽基指数、不同一级行业中的分布情况。

宽基指数

我们统计了 2019 年以来在中证 800、中证 1000 以及国证 2000 样本 池中成分股每个月平均跳跃数。可以看到，整体来看国证 2000 成分股发生跳跃 的平均次数最多，中证 1000 成分股次之，而中证 800 成分股发生跳跃的平均次 数最少。有意思的是，当市场出现系统性风险，整体波动性较大时，例如 2020 年 3 月，三个指数成分股跳跃次数趋同。我们统计了每只股票月度的总跳跃，并在不同指数成分股中取中位值。 从跳跃幅度来看，中证 1000 成分股与国证 2000 成分股的跳跃幅度较为接近， 中证 800 成分股的跳跃幅度较小。

行业分布

从不同行业来看股票跳跃的分布，对同一个行业公司的总跳跃次数取中位值，最后画出了不同中信一级行业每 个月的跳跃次数分布。可以看到，从跳跃次数来看，交运、银行、非银、钢铁和 煤炭行业要略低于其他行业，而像电子行业的股价跳跃次数较多。

三、跳跃因子有效性测试

3.1 跳跃收益与非跳跃收益

在 2.1 节中，我们介绍了我们是如何利用每日的 5 分钟股价数据去识别股价的跳 跃，并由此计算出股票每日的跳跃收益与非跳跃收益。我们将过去 20 个交易日 的跳跃收益之和与非跳跃收益之和分别定义为跳跃收益因子（Jump）与非跳跃 收益因子（No_Jump）。 接下来，我们先简单测试跳跃收益因子与非跳跃收益因子的效果。为了方便对比， 我们同时列出过去 20 个交易日收益率因子（MOM）的区间回测效果。

3.2 正跳跃收益与负跳跃收益

在 2.1 节中，我们介绍了我们利用股票的 5 分钟行情数据识别出股价的跳跃，再 把每日跳跃收益相加，计算出每日的跳跃收益。当股票当日既出现正跳跃又出现 负跳跃时，这样计算会导致正跳跃与负跳跃相互抵消，从而低估了股票每日的 跳跃。因此，这里我们将股票每日股价的跳跃识别之后，将所有的正跳跃相加作 为当日的正跳跃收益，将负跳跃相加作为当日的负跳跃收益。同样的，我们将过 去 20 个交易日的正跳跃收益之和与负跳跃收益之和分别定义为正跳跃因子 （Pos_Jump）与负跳跃因子（Neg_Jump）。

3.3 隔夜跳跃收益与日内跳跃收益

隔夜交易投资者和盘中交易的投资者可能是存在显著差异的。一般而言，相对 专业的机构投资者和职业投资者倾向于在盘中进行交易，盘中交易的自由度高， 报价也相对准确。而隔夜交易者中，短线交易的投资者占比较高，这其中噪音交 易者的占比也会更高。因此，隔夜与日内的行情数据中往往蕴含有不同的信息。 接下来，我们将隔夜跳跃收益与日内跳跃收益进行区分，若股票从上一个交易日 的收盘价到当日开盘价的股票价格发生跳跃，我们将其定义为当日的隔夜跳跃收 益。我们将过去 20 个交易日的隔夜跳跃收益之和定义为隔夜跳跃收益因子 （CO_Jump），将过去 20 个交易日的日内跳跃收益之和定义为日内跳跃收益 因子（OC_Jump）。按照同样的逻辑，我们分别定义了日内正跳跃收益因子 （OC_Pos_Jump）、隔夜正跳跃收益因子（CO_Pos_Jump）、日内负跳跃 收益因子（OC_Neg_Jump）、隔夜负跳跃收益因子（CO_Neg_Jump）。

3.4 其他跳跃因子

在前面的小节中，我们均是将过去 20 个交易日每日的跳跃收益进行加和，以此 构建因子。在这一节中，我们尝试使用每日的跳跃收益构建不同的跳跃因子。我 们将过去 20 个交易日的日内正跳跃收益的标准差定义为日内正跳跃标准差因子 （OC_Pos_Jump_Std）。此外，考虑到距离调仓日越近的正跳跃收益相比离 调仓日较远的正跳跃收益可能对股票的未来收益有更强的影响，我们将过去 20 个交易日的日内正跳跃收益的指数加权平均收益定义为平均日内正跳跃收益因子 （OC_Pos_Jump_Avg），半衰期为 10 个交易日。

四、结合换手率的跳跃因子

在第二章和第三章中，我们详细介绍了我们是如何识别并计算出股票每天的跳 动收益，进一步把跳动收益区分为正向和负向的跳动收益，以及再进一步将跳 动收益进行隔夜和日内的区分。 在接下来这一章中，我们将每日的跳跃收益与其换手率结合起来构建因子。我 们认为，当股价发生跳跃的过程中，如果伴随有较高的换手率，说明该股票受 到的市场关注度较高，那么在发生跳跃之后，其未来股价发生反转的可能性也 就越高。 Meng 在 报 告 《 Information shocks and short-term market overreaction：The role of investor attention》（2024）中也同样论证了该想法。

4.1 结合换手率的跳跃因子

这里我们取第三章中综合表现较好的 OC_Pos_Jump_Avg 因子与换手率进行结 合。具体做法是将每日的日内正向跳跃收益乘上当日的换手率，再取过去 20 个 交易日的指数加权平均收益，半衰期同样为 10 天，将其定义为平均换手日内正 跳跃收益因子（OC_Pos_JumpT_Avg）。

五、周频测试

在前面第二章和第三章中，我们均是在月频维度进行测算。接下来，我们尝试在 周频维度进行测算，看看构建的这些因子能否在周频上有更好的表现。我们选取 在月频上表现较好的平均日内正跳跃收益因子（OC_Pos_Jump_Avg）与平均 换手日内正跳跃收益因子（OC_Pos_JumpT_Avg）两个因子进行测试。

六、因子测试

6.1 因子相关性分析

在引言中我们提到，在过去针对股价跳跃的研究中，部分学者认为股价跳跃来源 于投资者对于信息到达的过度反应。此外，由于股价的跳跃，进一步吸引了具有 博彩偏好投资者的过度关注，导致了短期的超买。 因此，我们在这一节中检验构造的两个因子，平均日内正跳跃收益因子 （ OC_Pos_Jump_Avg ） 和 平 均 换手日内正跳跃收益因子 （OC_Pos_JumpT_Avg），与其他具有相关逻辑因子的相关性。我们考虑了 过去 20 个交易日中日度收益最高的 5 日的平均收益构建最大日收益因子 （Max），过去 20 个交易日的平均换手率比去过去 120 个交易日的平均换手率 构建的异常换手率因子（Ab_Turn）以及过去 20 个交易日的收益率因子 （MOM）。

因此，我们进一步通过多元线性回归的方式将上述三个因子特征进行剔除，以回 归 残 差 作 为 剔 除 相 似 因 子 暴 露 后 的 残 差 因 子 Jump_Residual 与 JumpT_Residual，并对残差因子进行了 IC 测试。

6.2 不同股票池中的因子表现

接下来，我们把平均日内正跳跃收益因子（OC_Pos_Jump_Avg）和平均换手日 内正跳跃收益因子（OC_Pos_JumpT_Avg）因子应用到不同的股票池中，包括 中证 800、中证 1000 以及国证 2000，测试该因子在这些不同股票池中的有效性。

我们每期在三个股票池中分别选出 OC_Pos_Jump_Avg 因子值最小的前 100 只股票等权作为多头组合，以因子值最大的前 100 只股票作为空头组合。

同样的，我们每期在三个股票池中分别选出 OC_Pos_JumpT_Avg 因子值最小 的前 100 只股票等作为多头组合，以因子值最大的前 100 只股票作为空头组合。

七、总结

本报告主要使用 Jiang and Zhu (2017)的方法，通过分钟数据识别股价跳跃， 并验证股价跳跃因子在 A 股市场的有效性。随后，我们将跳跃区分为正向跳跃 与负向跳跃，隔夜跳跃与日内跳跃作进一步检验。最后，我们将股价跳跃与换 手率相结合，对股价跳跃因子进行进一步的改进。本报告核心结论如下：

本文采用 Jiang and Oomen(2008)和 Jiang and Zhu(2017)的步骤来计算 跳跃收益，该方法的好处是不仅能够识别当日是否发生价格跳跃，而且 能够识别出日内所有价格跳跃发生的时段。

跳跃因子（Jump）因子与 MOM 因子相似，均呈现类反转的特性，与 股票未来收益负相关。Jump 因子的有效性要显著强于 MOM 因子： Jump 因子在回测区间内的 IC 均值为-6.59%，t 值为 6.65，均较为显著。

区分跳跃的方向所得到的正跳跃因子（Pos_Jump）因子有效性强于负 跳跃因子与原始跳跃因子。正跳跃因子回测区间 IC 均值为-9.50%，t 值 为-7.17。进一步区分隔夜和日内所发生的跳跃得到的日内正跳跃收益因 子（OC_Pos_Jump），回测区间 IC 均值为-9.35%，t 值为-7.45，均 较为显著。

日内正跳跃标准差因子（OC_Pos_Jump_Std）、平均日内正跳跃收益 因子（ OC_Pos_Jump_Avg ）同样与 日 内 正 跳 跃 收 益 因 子 （OC_Pos_Jump）均具有较好的有效性，但是三个因子相关性较高。

将每日的跳跃收益与其换手率结合起来所构建的平均换手日内正跳跃收 益因子（OC_Pos_JumpT_Avg）IC 均值为-12.37%，t 值为-7.55。因 子在全 A 市场中分 10 组年化收益严格单调，多头组年化收益 25.53%， 多头夏普 1.11，多空组合的年化收益 43.47%，多空卡玛 3.79，表现十 分亮眼。

周频维度下，平均日内正跳跃收益因子（OC_Pos_Jump_Avg）与平 均换手日内正跳跃收益因子（OC_Pos_JumpT_Avg）均具有较好的表 现。

OC_Pos_JumpT_Avg 因子在中证 800、中证 1000 以及国证 2000 的 多头组合年化收益分别为 11.53%、17.31%、和 24.48%，多头超额年化 收益分别为 7.90%、14.80%和 18.49%。整体来看，因子的表现均较为 出色。

编辑：火腿肠