VCV因子的构建与分析报告：高频，知情交易者.pdfVIP

证券研究报告 |策略报告 2023 年05 月13 日 高频寻踪：再觅知情交易者的踪迹 深度报告 VCV 因子的构建与解析 金融工程 在非完全有效的市场中，知情交易者可以利用自己的私有信息来获取超越市场 的回报。我们无法通过直接观测来确定知情交易行为，但是知情交易者的加入 将改变原有个股成交量的分布，可以通过知情交易者的蛛丝马迹研究知情交易 行为。从文献中寻找思路，我们构建了VCV 指标作为知情交易的代理变量。 我们认为知情交易可能会影响个股后市的收益，利用 VCV 因子在不同股票池 中测试，均获得了不错的收益表现。 ❑ 不难发现，不论是在 A 股还是在相对成熟的美股市场均存在市场对突发事件 反应不足和反应过度的情形，市场远没有达到有完全有效。因而市场上依然 存在知情交易者，可以利用自己的私有信息来获取超越市场的回报。对于知 情交易者的研究一直是学术界和业界关注的问题。 ❑ 我们无法通过直接观测的方式来获得知情交易者在市场上的行踪，但是，知 情交易者的出现很可能打破原有交易的既定规律，从而我们可以通过观测交 易流的不平衡性来推导知情交易者存在的概率。参考Lof, Matthijs Jos van Bommel （2022）的研究成果，我们设计了VCV 指标，并用VCV 指标构建 因子在不同的A 股股票池进行选股测试。 ❑ 知情交易者占比较多的个股可能在短期内被市场关注和炒作，影响未来个股 回报，同时知情交易者占比高的股票也不被机构投资者所青睐，因而理论表 现会更弱。我们猜想VCV 指标是个有效的选股因子。 ❑VCV 因子比较灵活，可以在不同的时间维度上进行构建。首先我们用日频数 据进行因子暴露度的计算，并尝试每月调仓和每周调仓。我们发现，VCV 因 子在全 A 范围内确实有比较不错的选股能力，2015 年以来截止今年 3 月 底，我们发现月频VCV 因子的年化IR 是2.489，t 值为7.113，月频胜率能 达到 73.5%。因子多空组合的总收益为 252.60%，年化收益为 16.32%。此 外，在中证1000 股票池中的表现较大盘股票池更为优秀。 ❑ 在更高频数据领域，我们又利用 5 分钟数据和 1 分钟数据对因子暴露度进行 计算，并且在周频调仓下进行测试。高频数据构建的 VCV 因子在不同股票 池中的表现均优于日频数据构建的因子。中证 1000 股票池中，表现最为突 出，自2015 年以来截止今年3 月底，5 分钟数据构建的VCV 因子rank_IC 为0.052，年化IR 为1.789，IC 的t 值为 10.583，胜率为68.8% 。多空组合 的总收益为2884.26%，年化收益高达42.00%。 ❑ 最后，综合考量换手率和交易成本，我们模拟实际的交易环境，对VCV 因子 进行月频调仓的测试。在模拟实际情况之后，我们发现，即使在交易成本较 高且资金没有办法充分利用的情况下，从 2021 年以来截止今年 3 月底， VCV 因子的表现仍然较为优秀，组合收益为 2.31%，同期的基准 （中证全 指）收益为-9.74%，累积超额收益为12.05%。 风险提示：本报告数据基于历史数据进行测试，如遇到较为极端的市场变 化，可能会有模型失效的风险。 金融工程策略报告 正文目录 一、寻觅知情交易者的蛛丝马迹 4 二、因子的构建 4 指标构建 4 模拟验证 5 三、因子测试与结果展示 7 月频因子表现 7 数据与因子计算 7 周频因子表现 12 数据与