高频因子量价组合构建及案例介绍 [page::3][page::4]

• 量价组合因子采用多维度单层次与多维度多层次构建方式，提供新的信息增量。

- 轨迹变动改进的非流动性因子将价格轨迹对成交额影响量化，克服传统因子日成交额与收益率不匹配的问题。

• 表1列示非流动性因子参数，非流动性因子与规模风格因子负相关，需剥离规模影响。

- 轨迹5分非流动性因子IC和IC_IR表现最佳，回测显示显著超额收益且分组线性良好，基本无回撤风险。

非流动性因子回测及风险表现 [page::4][page::5][page::6]

| 因子 | 超额收益(全A股) | 信息比 | 多空收益(%) | 多空夏普比 |
|-------------|-----------------|--------|-------------|------------|
| 轨迹5分钟 | 9.38% | 1.44 | 36.43 | 2.57 |
| 轨迹日线 | 9.70% | 1.55 | 38.19 | 2.90 |

• 图1和图2显示轨迹5分钟非流动性因子在全A股及中证800回测净值曲线，展现稳定性和优异表现。

博弈因子构建及收益表现 [page::6][page::7][page::8][page::9]

• 博弈因子基于主动买卖盘成交量比，反映多空双方力量对比，考虑21天及42天半衰期加权。

- 相关性分析显示博弈因子与反转类因子正相关，IC和回归结果表明收益预测能力显著。

• 回测显示全市场实现金额超额收益约4.47%，多空夏普比约2.1，42天半衰期效果相对较好。

- 图3和图4为42天（21半衰）博弈因子回测净值曲线，体现线性分组收益。

特异率因子及交易异常刻画 [page::9][page::10][page::11]

• 采用Fama三因子模型相关度(R^2)作为特异率因子，刻画个股收益与市场表现的一致性。

- 特异率因子与波动率风格因子负相关，交易异常行为越多则特异率值越低。

• 21天特异率因子全A股超额收益5.64%，信息比0.92，多空夏普比2.14，具有稳定的选股能力。

- 图5和图6展现21天特异率因子全市场及中证800回测净值走势。

高频因子统计回归及信息增益分析 [page::12][page::13][page::14]

• 高频因子相关性普遍较低，特异率因子和高阶矩类因子负相关，包含较多交易异常信息。

- Fama-Macbeth回归显示除部分因子外，其余因子均提供显著信息增益。

• 特异率因子分层回测揭示其在剥离因子收益后，部分因子表现下降，说明其解释了其他因子部分收益来源。

- 表18和表19集合因子分层分组回测信息比和特异率中性前后风险指标，验证信息交叉解释。

高频因子风险特征与回撤区间刻画 [page::14][page::15][page::16]

• 采用局部窗口最大最小值法划分因子净值走势上升与下降区间，确定因子回撤区间。

- 因子回撤区间重合率高，特异率因子回撤区间能解释大部分高频因子风险，下行风险相关性高。

• 相关性不完全代表风险同步性，尾部风险多在2006年底、2013年末、2014年末和2017年集中爆发。

- 表20详列回撤区间重合比例，表21列出尾部风险具体时间段及幅度。

高频因子合成及策略表现 [page::17][page::18][page::19]

• 因子收益相关性不高，通过因子组合提升策略表现，等权合成因子剥离barra风格后风险调整收益显著提升。

- 合成因子超额收益3.07%，信息比0.67，多空收益18.07%，多空夏普比2.39，均优于单个因子表现。

• 图8和图9展现全A股及中证800合成因子回测净值趋势。

- 表23和表24展示合成因子详细风险指标和年度表现。

结论总结 [page::20]

• 高频因子通过量价组合提供重要信息增量，典型因子如轨迹非流动性因子和博弈因子表现优异。

- 高频因子收益核心为经验收益，来自低风险确定性和高风险高溢价两类效应，特异率因子有效刻画交易异常。

• 高频因子间信息相关有限，互相影响收益回落，但组合应用增强收益和稳定性，风险表现显示严重的尾部集中爆发。

- 综合利用多个高频因子构建合成因子，实现风险分散与收益提升，面对市场变化具备更强适应性和稳定性。

基础因子研究（十）：高频因子和交易行为 深度分析报告

---

一、元数据与概览

• 报告标题： 基础因子研究（十）——高频因子和交易行为

- 发布日期： 2019年8月10日

• 发布机构： 长江证券研究所

- 作者及联系方式： 资深分析师覃，谢谢，郑起（联系方式详见第一页）

• 主题： 高频因子的构建、特征、局限及其对交易行为的刻画和投资意义

- 报告概要：
本报告重点研究量价组合方式下的高频因子，特别是非流动性因子、博弈因子和特异率因子。作者主张通过高频数据与价量信息的多维度组合可获取显著的信息增量，获得经验收益，但也存在因子间的相互影响和风险集中带来的局限。报告系统地论述了高频因子构建方法、性能表现、风险特征及组合策略效果，并提供了详尽的回测实证。本报告对高频因子挖掘的投资价值保持审慎乐观，建议通过合成因子分散风险，提高策略稳定性[page::0,1,3,20]。

---

二、逐节深度解读

2.1 量价组合因子

• 关键点总结：

量价组合因子涵盖多维度多层次的价格与成交量数据，通过交易行为的逻辑挖掘短期超额收益个股。这种因子的构建较复杂，与传统量价风格因子及高阶矩因子相关性低，从而带来新信息增量。报告给出两类量价组合因子案例：轨迹变动改进的非流动性因子和基于主动买卖单的博弈因子[page::3]。

• 推理与逻辑：

传统的非流动性因子Amihud以日线成交额与日收益率比衡量流动性，存在成交额与收益率不匹配的问题。报告改进方法为轨迹变动法，即细化为不同周期内的价格轨迹与对应成交额的比值，更精确地反映流动冲击，分子为价格轨迹累计收益率的对数，分母为成交总额。高频时段（如5分钟）划分精度高，因子表现更佳[page::3]。

• 关键数据与定义：

- Amihud非流动性： $illiq = mean(|Returnt| / Amountt)$
- 改进非流动性轨迹因子： $illiq{guiji} = \log \prod (1 + |Returnt|) / \sum Amountt$
参数详见表1，不同频率与收益类型对应具体因子名称[page::3]。

2.2 非流动性因子改进及回测表现

• 相关性分析（表2）：

非流动性因子与规模因子呈强负相关（市值大成交额大，非流动性因子值低），因此需要线性剥离规模影响。与流动性因子负相关逻辑合理，彼此互为补充。从整体看，非流动性因子提供独立于传统风格因子的增量信息[page::4]。

• 因子统计与回测（表3、表4、图1、图2）：

- 轨迹类5分钟非流动性因子表现最佳，IC（信息系数）和ICIR表现优于传统日线或残差收益率类因子，且规模中性后稳定性增强。
- 股价预测能力显著，t值统计均高，说明因子测量逻辑合理且收益贡献稳定。
- 回测数据显示，在剥离规模因子后，5分钟轨迹非流动性因子在全A股范围实现超额收益9.70%，信息比1.55，多空收益38.19%，多空夏普比2.90，表现突出。
- 分年风险指标（表5）显示，该因子长期稳定，2008年和2015年牛市期间收益尤为显著。
- 图1与图2净值曲线清晰展现因子强烈的线性分组特征，多空收益几乎无回撤，验证了因子有效性[page::4,5,6]。

2.3 博弈因子

• 构造逻辑：

博弈因子从主动买卖单入手，定义“主买量”（成交价大于前买一价）和“主卖量”（成交价小于前卖一价）分别代表多空双方力量。假设多头力量过强则价格被高估，空头力量过强则被低估，基于此设计买卖量比值作为因子：

$$ Stren = \frac{\sum weightt \times Vol\Buyt}{\sum weightt \times Vol\Sellt} $$

权重采用21天与42天半衰时间窗口及等权分布的多种加权方式，以捕捉中短期交易博弈动态[page::6]。

• 表现分析（表7至表10，图3、图4）：

- 博弈因子与反转因子呈显著正相关，体现价格的短期超调与均值回复规律。规模因子上，博弈因子偏向大盘股。
- IC与ICIR显示博弈因子能稳定预测收益，特别是21天半衰期窗口表现最优。
- Fama-MacBeth回归因子t值均显著，21天因子收益最强，42天因子保留较多风格因子信息。
- 回测表现良好，42天半衰期因子超额收益4.47%，信息比0.77，多空收益26.67%，多空夏普比2.10，仅2017年出现轻微负收益，展现较高稳定性
- 净值曲线呈现稳健增长，多空分组线性明确，支撑因子有效性[page::7,8,9]。

2.4 高频因子的本质及特异率引入

• 高频因子本质：

高频因子以交易行为的价量信息为基础，本质是捕捉市场交易规律的经验性信号。收益来源分为低风险确定性收益（如流动性溢价）和高风险高溢价收益（如多空博弈的过度反应）。高阶矩因子（反转、波动率等）体现异常交易场景，而量价组合因子捕获更全面的流动性风险及行为特征[page::9]。

• 特异率定义：

利用Fama三因子模型拟合个股收益，计算回归解释度R^2，将低R^2视为个股“反常”表现的量化指标，即市场信息无法充分解释的异常交易行为。21天和42天窗口分别构造特异率类因子，反映短期交易异常性水平。因子值越小，个股异常交易越显著，也代表因子预测潜力[page::9,10]。

2.5 特异率因子表现与风险

• 相关性与收益统计（表11-14，图5、图6）：

- 特异率因子与波动率负相关显著，异常交易多的股票表现出更高的特质波动。
- IC和ICIR均表现稳定，21天频率略优。
- Fama回归显著，确认了因子的增益信息。
- 回测分年展示特异率因子超额收益5.64%，信息比0.92，多空收益24.66%，夏普比2.14。
- 净值曲线线性明显，多空组收益均为正，体现良好选股价值[page::10,11]。

2.6 高频因子的局限性分析

• 因子类别与性能（表15、16、17）：

报告列举有效的单维度单层次高频因子（如反转、波动率偏度峰度、成交量统计）以及多维度的非流动性、博弈和特异率因子。高阶矩类因子间相关性高，非同类与组合作用相关性低，暗示因子类别信息分布特征。统计显著性分析显示部分因子如收益率标准差无明显信息增益，剔除以净化因子池[page::12,13]。

• 因子回测与异质性（表18、19）：

- 通过多因子交叉分层测试发现部分因子（博弈、成交量偏度）收益不完全由特异率解释，但大多数因子在剔除特异率影响后表现明显下降，表明特异率充当收益解释的核心变量。
- 因子相互间收益存在冲突和干扰，构成收益结构的复杂性。
- 部分高阶矩因子收益可被反转因子解释，然而反转因子不可被完全解释，体现因子指向性的不同[page::14]。

• 因子风险及回撤分析（图7，表20、21）：

- 局部窗口法解析因子净值走势的回撤与趋势状态，剔除异常极值确保分析准确。
- 因子回撤区间高度重叠，说明因子风险并非独立，且相关性不足以反映风险同步性。
- 高频因子尾部风险集中爆发在市场关键节点（2006、2013、2014及2017年），这些时段对应牛市启动或结构性市场变革。因子风险聚合表明市场变局时因子表现普遍承压[page::14,15,16]。

2.7 高频因子组合及整体意义

• 收益相关性（表 22）：

高频因子月度超额收益相关性整体偏低，多数因子相关性在50%以下，相关性与风险同步性关系弱，表明采用正交化方法分散风险存在局限。

• 合成因子构建与表现（表23、24，图8、9）：

- 采用等权加总法剥离barra因子影响后，合成因子实现超额收益3.07%，信息比0.67，多空收益18.07%，夏普比2.39，优于任一单因子。
- 合成因子回测曲线线性稳定，表明组合策略在分散风险同时提高了收益稳定性，应对市场结构变化能力增强。
- 2017年以来，合成因子虽出现明显回撤，但整体持续优于个别因子表现[page::17,18,19]。

---

三、图表深度解读

3.1 图1与图2 — 轨迹5分钟非流动性因子净值曲线

• 图1展示了全A股内该因子分组回测净值，红线（第1组）遥遥领先，梯度清晰，基准及比价线较平稳。

- 图2同样展示中证800内净值，涨幅较全市场低，但第1组依旧表现突出。此分组线性和净值增长体现因子优秀的选股能力和风险控制[page::6]。

3.2 图3与图4 — 42天（21半衰）博弈因子净值曲线

• 图3展示全A股内博弈因子分组净值，表现线性且各组净值持续上行。

- 图4为中证800范围，涨幅明显缩小但依然较基准和比价线显著提升，展现博弈因子的验证效果[page::9]。

3.3 图5与图6 — 21天特异率因子净值曲线

• 图5显示特异率21天因子的全A股分组净值走势，近乎无回撤，线性清晰且幅度较大。

- 图6对应中证800，表现稳定但涨幅收窄，验证特异率因子在不同市场区域均具 predictive power[page::11]。

3.4 图7 — 局部窗口高低点划分示例

• 用局部极值法识别因子净值走势的高低点，图示剔除局部极值异常，保证趋势分析的连续和合理，突出本文风险分析方法的严谨[page::15]。

3.5 图8与图9 — 合成因子净值曲线

• 图8（全A股）与图9（中证800）均展现合成因子分层净值的流畅上升趋势，且分层分布明显，弥补单一因子波动大、回撤严重的缺点，体现因子组合的风险分散与收益增强优势[page::19]。

---

四、估值分析

本报告并未涉及具体公司估值模型，但基于因子选股策略的绩效回测属于量化投资策略的因子有效性评估，涉及因子统计指标（IC、t值）、风险控制（夏普比、多空收益）及组合优化。估值分析实质为聚焦风险调整后的超额收益及信息比的改善，合成因子体现风险分散后估值更优的策略持仓回报预期。

---

五、风险因素评估

• 高频因子的风险主要在于高相关的下行风险与尾部风险集中爆发。

- 回撤区间高度重合，市场波动大的时期可能导致多因子齐跌。

• 尾部风险表现于重要市场转折窗口（牛市启动），对因子选股策略有较大冲击。

- 特异率因子对多数因子风险具有解释力，剔除后因子风险收益均受影响。

• 市场结构变化（如2017年后）明显影响因子表现，可能导致因子收益波动性上升。

- 因子间相关性不能等同于风险同步性，投资者需额外关注尾部风险监测和跨因子风险管理策略[page::14,15,16]。

---

六、批判性视角与细微差别

• 报告强调高频因子带来信息增量，但也明确指出因子间存在收益互相干扰，特别是异常交易信息（由特异率代理）占主导权，提示因子贡献的独立性有限。

- 高频因子风险高度集中，过去表现良好的因子在历史极端事件中均表现脆弱，反映模型的稳健性需要结合风险管理进一步提升。

• 报告虽涉及多种频率因子构建，但日线及短周期高频信号的转化效率与噪声过滤机制未详尽论述，潜藏实际应用难点。

- 合成因子使用简单等权加总，引入更科学权重分配或动态调整或可提升表现。

• 报告风险分析依赖局部窗口法，虽然有效但对极端突变的灵敏性和实用性需进一步考量。

- 对不同市场分区（全A股vs中证800）表现差异未深入探讨，可能与流动性结构有关，值得深入研究。

• 高频因子收益相关性与风险相关性不匹配，说明对冲和组合设计复杂，投资组合理论假设的适用性有待检验[page::14,15,17]。

---

七、结论性综合

本报告从多维度、异质角度系统地探讨了高频因子从构建逻辑、统计性质、收益表现、风险特征到组合应用的全流程。通过引入改进的轨迹变动非流动性因子和基于主动买卖量的博弈因子，结合异常交易特异率因子，显著提升了信息增量和选股能力，回测超额收益突出，且多空策略风险调整表现优异。

因子间相关性较低，异常交易信息核心地位凸显，但因子共振的风险特征导致尾部风险集中爆发，要求对高频因子策略需严格风险控制和多因子组合分散投资。显著的线性回测净值曲线和多年的超额收益展现了高频因子的实践投资价值。

合成因子进一步优化风险收益比，稳健性提升明显，尤其适合广泛市场环境下的多因子量化选股体系。尽管存在因子间收益相互抵消和异常风险集中等限制，高频因子仍具备较强的挖掘潜力，是丰富多因子选股框架的重要补充。

整体而言，报告立场积极，既认可高频因子带来的创新和信息增量，又充分揭示其风险与局限，强调科学组合与风险管理的重要性，投资级建议倾向于基于多因子组合策略的稳健增长期待[page::0-20]。

---

附：部分重要图表展示

• 图1：全A股轨迹5分非流动性因子回测净值（规模中性后）

• 图3：全A股42天（21半衰）博弈因子回测净值

• 图5：全A股21天特异率因子回测净值

• 图7：局部窗口高低点判断特殊情况

• 图8：全A股合成因子回测净值（barra因子中性后）

---

总结： 该基础因子研究报告对高频因子从理论到实证均给予了详尽剖析，揭示了高频数据运用于因子构建的创新点及其边界条件，兼顾收益及风险维度，为量化投资者提供了重要的实用参考。因子策略的设计需结合异常交易信号、风险聚合效应与多因子组合方法，方能实现稳定超额收益和风险可控的目标。

[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]

报告