高频因子（五），高频因子和交易行为.docxVIP

目录 量价组合因子 4 非流动性因子的改进 4 博弈因子 7 高频因子的本质 10 特异率的引入 10 高频因子的局限 13 因子统计 13 因子回测 14 因子风险 15 高频因子的意义 18 总结 21 图表目录 图 1：全 A 股轨迹 5 分非流动性因子回测净值（规模中性后） 7 图 2：中证 800 轨迹 5 分非流动性因子回测净值（规模中性后） 7 图 3：全 A 股 42 天（21 半衰）博弈因子回测净值 10 图 4：中证 800 内 42 天（21 半衰）博弈因子回测净值 10 图 5：全 A 股 21 天特异率因子回测净值 12 图 6：中证 800 内 21 天特异率因子回测净值 12 图 7：局部窗口高低点判断特殊情况 16 图 8：全 A 股合成因子回测净值（barra 因子中性后） 20 图 9：中证 800 合成因子因子回测净值（barra 因子中性后） 20 表 1：非流动性类因子参数及简称 4 表 2：非流动性类因子与风格因子相关性 5 表 3：非流动性类因子 Fama-MacBeth 回归统计（规模中性前/规模中性后） 5 表 4：非流动性类因子风险指标（规模中性前/规模中性后） 6 表 5：轨迹 5 分非流动性因子分年风险指标（规模中性后） 6 表 6：博弈类因子参数及简称 7 表 7：博弈类因子与风格因子相关性 8 表 8：博弈类因子 Fama-MacBeth 回归统计 8 表 9：博弈类因子风险指标 9 表 10：42 天（21 半衰）博弈因子分年风险指标 9 表 11：特异率类因子与风格因子相关性 11 表 12：特异率类因子 Fama-MacBeth 回归统计 11 表 13：特异率类因子风险指标 11 表 14：21 天特异率因子分年风险指标 12 表 15：有效高频因子 13 表 16：高频因子与风格因子相关性 14 表 17：高频因子 Fama-MacBeth 回归统计（加入特异率因子前后） 14 表 18：高频因子分层分组回测信息比 15 表 19：特异率中性前后高频因子风险指标 15 表 20：高频因子回撤区间重合比例 17 表 21：高频因子尾部风险时间段 18 表 22：高频因子收益相关性 19 表 23：高频因子 barra 因子中性后风险指标 19 表 24：barra 因子中性后合成因子分年风险指标 20 量价组合因子 综合量、价数据构建因子有两种方式：多维度单层次，即综合量、价维度中各自的单一数据；多维度多层次，即综合量、价维度中多个数据。量价数据的结合，并非从分布上粗略给出交易行为上的特点，而是直接从交易行为的逻辑出发，找出具有短期超额收益的个股。这种方式构建因子的过程相对复杂，所以和传统的量价风格因子及高阶矩因子均有一定的相关性，但相关性不高，故往往可以提供新的信息增量。 本文针对上述两种量价结合方式，给出量价组合因子构建的案例，窥探其内在逻辑及特点。 非流动性因子的改进 多维度单层次构建因子，最简单的案例就是 Amihud（2003）以价类数据中的收益率和量类数据中的成交额，构建的非流动性因子： |??????????????| ???????????? = ????????( ???????????? ) ?? 其中??????????????为个股收益率序列，??????????????为个股成交额序列，即综合过去一段时间每单位成交额带来的价格变动，以衡量个股受冲击层面的影响，同等价格变动需要的成交额越大，个股流动性越好，所以因子值越大，个股非流动性越强。一般来说个股流动性越差，风险越高，可以从中获取流动性溢价。 非流动性因子的逻辑简单明了，但是在计算时有一个前提，即成交额对应该时间段带来的价格变动。Amihud 给出的非流动性估计以日度为周期，而日成交额和收益率并不总是匹配，尤其在日内价格变动较大但收益率变动较小时，成交额对于价格变动的影响不能得到完全的体现。故本文以轨迹变动的方式，改进非流动性因子： ???????????????????? = log ∏(1 + |??????????????|) ∑ ?????????????? 上式的含义为在一段时间内，按照一定方式划分区间作为价格变动估计周期，累积得到价格变动及成交额，以整体衡量单位成交额对于价格的影响，其中分子体现了过去一段时间价格变动的全轨迹，并取对数转换为收益率，分母为过去一段时间总成交额。理论上越高频的区间划分得到的价格的变动更精细，路径估计更精确，故本文以 5 分钟和日线频率为例，展示了绝对收益率、残差收