高频因子（十二），日内与日间.docxVIP

目录 日内与日间的计算方式 4 三种计算方式 4 高频反转因子 5 波峰因子 6 量价相关性 8 从整体到日内 9 小节 11 日内与日间的剥离 12 日内与日间价格变动的异同 12 日内的反转效应 14 高频下的动量与反转 18 小节 19 总结 20 图表目录 图 1：全市场高频反转偏度因子回测净值 10 图 2：中证 800 高频反转偏度因子回测净值 10 图 3：全市场量价相关性标准差因子回测净值 11 图 4：中证 800 量价相关性标准差因子回测净值 11 图 5：隔日相对收益走势 15 图 6：全市场日内反转因子回测净值（取对数） 15 图 7：中证 800 日内反转因子回测净值（取对数） 15 表 1：三种因子计算方式 5 表 2：高频反转因子不同计算方式风险指标 6 表 3：波峰因子不同计算方式风险指标 8 表 4：量价相关性因子不同计算方式风险指标 9 表 5：高频反转偏度因子风险指标 10 表 6：量价相关性标准差因子风险指标 11 表 7：动量时间段因子风险指标 13 表 8：反转时间段因子风险指标 14 表 9：日内反转因子分年收益率 16 表 10：日内反转因子中证 800 内分组分年收益率 17 表 11：日内反转因子不同成本年化收益率 17 表 12：不同频率下计算的反转因子对不同长度个股区分的 IC 矩阵（行名、列名单位：分钟） 19 在高频因子系列报告中，我们通过高频数据构建月度调仓的低频因子，实现高频数据的低频化使用，而和低频数据相比，高频数据在使用时存在“时间非连续”的情况，即每日数据可以分为从昨日收盘至今日开盘的隔日时间段和今日开盘至今日收盘的交易时间段，其中隔日时间段的量价数据则仅存在于集合竞价一个时间段，其余时间段为非交易时间段，交易时间段则是数据高频化的主要区间。隔日时间段不仅使得信息的表达上产生了断点，也在信息处理上天然和交易时间段存在差别，和低频数据的使用相比涉及到了以下问题： 微观结构是否有信息增量：如相同构建方法但提高数据频率是否可以加强因子表现，构建因子逻辑是否仅在高频数据下得到刻画。如果微观信息没有信息增量，则将低频提至高频无法改进因子表现，交易时间段不需要进行数据高频化处理，也就不用区分隔日时间段和交易时间段。 低频数据直接将一轮隔日时间段和交易时间段作为一个交易周期，而高频数据使用时则涉及到如何合并多个隔日时间段和交易时间段的信息：如隔日时间段和交易时间段的信息表达是否存在差异，如量价变动对个股预期收益率的影响方式、影响程度；如果不存在差异，那么将一个隔日时间段和交易时间段作为一个交易周期 （如以前一日收盘至下一日收盘为一个完整的交易周期），不同交易周期的信息表达是否存在差异。 本文将从上述两个问题展开讨论。 日内与日间的计算方式 微观结构是否有信息增量，关键在于细分的时间段量价信息反映的逻辑是否存在差别，如上行波动率和下行波动率对收益率预测是否一致，以及量价变动轨迹对逻辑刻画是否有影响，如日间波动和日内波动。而从表现上看，可以从因子在不同频率下的构建选股效果是否有显著差别得到结论。 当隔日时间段和交易时间段信息表达一致时，不同交易周期的信息表达是否存在差异，关键在于相同时间窗口内的交易水平是否可比，如时间序列上是否有明显放量或缩量导致成交活跃度发生变化，而从表现上看，可以从在相同时间窗口内，对每个交易周期单独计算因子后汇总和所有交易周期合并后再计算因子的选股效果是否有显著差别得到结论。 故三种在处理高频数据构建因子的计算方式，可以从结果上回答上述问题。 三种计算方式 涉及高频数据构建因子，往往有以下三种计算方式： 整体法：将计算因子时间窗口内的所有交易周期的高频数据合并为一个完整的时间序列数据，统一计算因子。在我们推出的“高频因子系列”报告中，绝大部分因子构建均采用此方式。整体法认为不同交易周期信息表达一致，且微观结构包含更多信息。 日内法：根据每个交易周期内的高频数据分别计算出周期内因子，然后将计算因子的时间窗口内的所有周期内因子合并。在《高频因子（九）：高频波动中的时间序列信息》中计算的波峰因子，即采取此计算方式。日内法认为不同交易周期信息表达不一致，但微观结构包含更多信息。 日间法：将计算因子时间窗口内的所有交易周期的数据合并为一个完整的时间序列数据，统一计算因子。基础量价因子如反转、波动率因子均采用此方式。日间法认为不同交易周期信息表达一致，且微观结构并不包含更多信息。 从信息拆分来看，日内法集中包含日内信息，日间法集中包含日间信息，整体法包含全时间段信息，当计算窗口内信息表达一致时，整体法的信息由日内法和日间法共同构成。三种计算方式的区