• 报告核心主题为基于分钟线高频数据构建选股因子，挖掘日内高信息增益因子，用于提升股票收益预测效果 [page::0][page::3]。

- 高频因子构建及处理流程包括原始因子取值、极值处理、标准化、行业和市值中性化，保证因子纯净性及预测效用：

• 构建的主要单因子如下：

- 收益反转因子（30分钟计算负收益均值预测后续收益），在30分钟频率上表现优异，Rank IC达9%，ICIR达0.97，且不同时段表现差异明显，午前尾盘30分钟信号效果最佳。日度反转因子表现较弱，Rank IC仅约3.3% [page::9][page::10][page::11]。

- 通过成交量筛选改进的正收益反转因子，统计指标大幅提升，日均Rank IC约6.3%，ICIR达0.66，表现更加稳定：

- 改进放量的负收益动量因子，日均Rank IC约4.6%，ICIR 0.59，表现逊于正收益反转因子，但更能反映A股多头与空头力量不平衡的特征：

- 高频收益波动率因子，利用分钟线计算30分钟窗口收益波动率预测后续收益，30分钟频率Rank IC约3.3%，ICIR 0.33，日度改进因子提升明显，日均Rank IC达6.8%，ICIR达0.6：


- 尾盘成交额占比因子，利用尾盘半小时成交额占流通市值比率作为因子，日度Rank IC约5.6%，ICIR约0.49，表现相对平稳：

• 多因子组合策略：

- 因子相关性分析显示改进反转因子与波动率因子高度相关，尾盘成交额占比较低相关，组合可减缓同质性风险 [page::25]。
- 等权组合（去除正负反转因子，只用波动率和尾盘因子）年化超额收益达20.5%，手续费双边0.05%时累计超额187.93%：


- 相关性加权三因子组合，年化超额收益提升至28.57%，累计超额达261.93%，表现优于等权组合：

• 手续费敏感性分析显示，高换手率削弱了高手续费环境下的超额收益，费用控制对于高频策略尤为重要 [page::1][page::27][page::30]。

- 因子附录列举了多种常见因子的统计指标，部分常见因子具备一定有效性 [page::31]。

• 总结指出未来可从tick和逐笔数据进一步挖掘因子，尝试更合理组合方式与调仓频率降低策略成本，增强超额收益稳定性 [page::33]。

因子选股系列之一——基于分钟线的高频选股因子

信达证券股份有限公司，2022年4月28日
作者：于明，工程与金融产品首席分析师，执业编号S1500521070001

---

1. 元数据与概览

本报告属于“因子选股系列”的第一篇，标题为《基于分钟线的高频选股因子》。发布机构为信达证券股份有限公司，作者为该公司的首席分析师于明。报告聚焦于基于A股市场高频分钟线数据构建并测试因子选股模型，主题涵盖量价高频数据的因子构造、因子有效性验证以及组合策略设计。

报告的核心论点是：通过利用日内分钟线数据挖掘高信息增益的选股因子，可以显著提高股票未来收益率的预测能力。作者提出了多种改进型高频因子，包括收益反转因子、动量因子、波动率因子以及尾盘成交额占比因子，并系统地对它们在不同频率(30分钟和日度)的预测效果进行了深入回测和分析。报告最后构建了基于这些因子的多因子组合，并在扣除交易成本后表现出超额收益，验证因子预测的有效性。同时，报告指出高频因子的超额收益对手续费率较为敏感，且强调了历史回测模型存在市场环境变化带来的失效风险。

---

2. 逐节深度解读

2.1 引言及因子选股背景

报告充分说明量化选股基于多种数据（量价、基本面、文本、另类数据等）提炼具有预测价值的信息，因子模型构建是其中重要组成部分。因子有效性的评判需要结合逻辑性和统计验证，报告强调从分钟级高频数据挖掘因子是寻找高信息增益因子的创新路径[page::1, 3]。

2.2 因子有效性检验

• 样本池筛选：选取中证全指、中证800、中证500、沪深300成分股，剔除ST/ST*股票，上市不足1年股票，停牌和涨跌停板股票，确保数据质量及标的流动性[page::4]。

- 因子预处理：对量价因子采用截面均值±3倍标准差的缩尾法处理极值，对基本面类因子则用中位数和绝对离差中位数方法缩尾；随后采用Z-score标准化处理，保证因子在各截面的一致性和稳定性[page::4-5]。

• 因子中性化：消除市值及行业效应对因子的干扰。通过多元回归对因子值做市值和行业虚拟变量中性化，得到纯净的alpha因子[page::5]。

- 因子统计指标：采用Rank IC（因子分值与未来收益秩相关系数）、ICIR（Rank IC的均值与标准差比）、t值、多空收益等指标评估因子的预测能力和稳定性[page::5]。

2.3 高频分钟线数据构建

数据基于沪深Level 2 tick数据切片形成分钟线，包括分钟K线的开高低收以及成交量与成交额计算，确保统计有充分的成交信息作为因子输入。逐笔成交和逐笔委托数据进一步丰富数据维度[page::7-8]。

2.4 关键因子构造与分析

1. 收益反转因子

构建逻辑基于散户市场特点，预期短期收益反转。因子定义为前30分钟每分钟收益均值的负值，用于预测接下来30分钟收益。回测显示30分钟维度上Rank IC均值达到9%，ICIR接近1，具有显著预测效果，且在午后11:30表现最为突出。
在日度维度，因子效果较弱（Rank IC ~3.3%），因子信号噪声较高。
后续改进版本加入成交量过滤，分别对正收益和负收益区间筛选放量时段强化信号。
- 改进正收益反转因子显著提升了Rank IC到6.3%，ICIR达0.66，表现稳定，累计多空净值呈稳定上行趋势[page::8-14]。
- 改进负收益动量因子表现较正收益反转弱，Rank IC在4.6%，ICIR为0.59，但其“正收益反转+负收益动量”组合验证了A股多头力量强于空头的市场特性[page::14-16]。

1. 收益波动率因子

使用分钟级收益标准差作为波动率衡量，负号处理维持反向信号逻辑。
高频30分钟收益波动率因子Rank IC约3.3%，日度因子Rank IC约5.6%，有效且在开盘和尾盘时段表现较好，反映活跃交易时段的信息含量高。
引入成交量筛选后，改进波动率因子Rank IC提升至6.8%，且因子收益更平稳，累计多空净值显示良好的时间稳定性[page::17-22]。

1. 尾盘成交额占比因子

定义尾盘半小时成交额相对于流通市值的比例，反向信号表明高尾盘成交额比例股票可能后续表现较好。
因子Rank IC为5.64%，ICIR为0.49，表现稳定，累计多空净值平稳增长，仅2015年有波动[page::23-24]。

2.5 多因子组合策略

• 因子间相关性分析

正收益反转、负收益动量和波动率因子间相关较高，尾盘成交额因子与前三者相关性较低，为组合提供差异化信息[page::25]。

• 等权组合

去除相关性过高的正负收益因子，仅使用波动率因子和尾盘成交额因子等权组合，日度Rank IC可达6.9%，ICIR为0.59。因子组合明显分层，最优分组显著优于其他分层，支持构建纯多头组合。年化超额收益显著，但手续费敏感性较强，0.05%双边手续费年化超额收益约20%，0.08%手续费显著下降，反映高换手率对收益的侵蚀[page::25-28]。

• 相关性加权组合

采用加权方式消减相关因子的同质性风险，权重由因子间的即时相关性计算得出。该方法提升了因子统计指标，Rank IC提升至7.18%，ICIR提升至0.67，年化超额收益相较等权有所改进。分组净值分层更加明显，显示更好的信息提炼效率。但同样面临较强手续费敏感性[page::28-30]。

2.6 因子附录与拓展

报告还附加了常见因子和指标的Rank IC、ICIR统计，提供比较基准，进一步确认了本文构建高频因子的有效性和竞争力[page::31]。

---

3. 图表深度解读

图1 因子构建流程（page 6）

展示了从原始因子值开始，经过极值处理、标准化、因子中性化、单因子测试，最终进行因子复合的全流程。流程体现了因子质量提升和“净化”，确保因子具备预测能力。

---

表4 高频收益反转因子统计（page 9）

展示了30分钟频率上的收益反转因子各项统计指标，Rank IC均值达到0.09（即9%），ICIR接近1，t值及年度表现稳定，佐证该因子短期预测能力强。

---

图2 收益反转因子分时段Rank IC（page 10）

线图显示11:30时间段Rank IC最高，说明上午最后30分钟的收益对下午开盘的预测能力最强，符合市场交易节奏特征。

---

表6、图3 改进放量正收益反转因子统计及净值（page 13）

表中的统计指标分别反映改进因子的Rank IC显著提升，图3的净值线显示该因子自2013年至2022年累计净值呈持续上升趋势且走势平稳，验证因子的稳定性和持续有效性。

---

表8、图4 改进放量负收益动量因子统计及净值（page 15-16）

指标表明动量因子稳健但表现弱于正收益反转因子，业绩增长曲线相对平缓。图4净值线稳定上升，说明该因子尽管较弱，但依然有效。

---

表10、图5 高频收益波动率因子统计及分时段Rank IC（page 18）

因子在开盘和尾盘波动性更有效，11点钟较低，这反映市场实际交易行为，收盘和开盘流动性活跃度高，波动信息溢价更明显。

---

表12、图6 改进收益波动率因子统计及净值（page 21）

因子通过成交量筛选后效果提升，净值图呈良好增长趋势，特别是在过去十年内表现出稳定的选股收益能力。

---

表14、图7 尾盘成交额占比因子统计及净值（page 24）

统计显示该因子具有稳定的预测能力，净值曲线平稳增长。尾盘成交额的流入被证明为日度收益的有效信号。

---

表16 因子间截面相关性（page 26）

表明波动率因子与反转和动量因子高度相关，而尾盘成交额占比因子与其他因子相关性较低，为组合策略提供了多样的信息源。

---

表17-19、图8-9 等权组合因子统计及多头组合超额收益（page 26-28）

等权组合提升整体Rank IC，且分层图显示第一组与空头端分层效果明显。超额收益在手续费较低0.05%时较为显著。

---

表20-22、图10-11 相关性加权组合因子统计及超额收益（page 28-30）

相关性加权方法进一步强化预测能力，增强组合分层明显性及收益水平，超额收益表现优于等权组合，手续费敏感性依然存在。

---

4. 估值分析

报告中虽然未涉及单个股票的估值估算，但多因子组合本身的绩效表现可以视为对因子有效性的定量“估值”。组合绩效的敏感性分析尤其突出，表明在实际投资场景中，费用结构（如0.05%与0.08%的交易费率差异）会对策略净收益产生显著影响，且高频日度调仓策略的换手率较高，这是限制组合收益提升的关键。

---

5. 风险因素评估

报告明确指出，模型效果是基于历史回测数据推导，未来在市场波动及结构变化的情况下可能失效，存在“模型失效风险”[page::34]。此外，因变量敏感于交易费用，费率提升将显著侵蚀超额收益。此外，高频、日度调仓可能带来流动性风险、滑点风险尚未充分考虑。

---

6. 批判性视角与细微差别

• 报告在积极强调因子预测效果和组合超额收益的同时，对于手续费和市场微观结构变化带来的潜在影响仅作初步披露。

- 高频数据处理和成交量筛选假设简单，实际微结构噪声和市场交互更复杂。

• 部分因子如负收益动量因子IC值较低，说明其稳定性和预测能力有限。

- 组合的每日调仓虽增强因子有效性，但换手率带来的手续费敏感性提示实际运用中成本优化及调仓频率调整是长期研究重点。

• 报告较少涉及宏观经济或政策冲击对因子的影响，及因子对不同市场环境的适应性。

- 相关性加权方法采用绝对值相关分配权重，可能忽略因子间相互作用的复杂性。

---

7. 结论性综合

本报告系统地构建并测试了基于中国A股市场高频分钟数据的多种选股因子，涵盖反转、动量、波动率及尾盘成交额因子，均经过严格的预处理、中性化及多维统计验证，体现出较强的收益预测能力和时间稳定性。特别是加入成交量筛选的改进版本显著改善了因子的表现。

通过等权与相关性加权两种多因子组合策略，报告展示了在扣除合理手续费后组合仍实现显著超额收益，年化收益可达20%-28%以上，相关性加权策略略优于单纯等权组合。图表充分展示了因子统计指标的稳健性与组合累计超额收益的持续性，其中多空对冲净值曲线具有良好上行趋势，且分层分组明显，支持因子组合的有效性。

报告同时坦诚指出因子模型基于历史数据回测，存在未来失效风险；高频因子策略手续费敏感性较高，表明未来工作需要优化调仓频率及手续费控制。展望未来，报告建议通过引入tick及逐笔交易更细粒度数据，拓展因子库，采用更灵活的组合构建及调仓策略提升策略实际的风险调整表现。

综上，本报告不仅为高频因子回测与组合提供了扎实的分析框架与实证结果，更为高频因子选股模型的理论与实务应用提供了宝贵的参考和进一步研究方向。

---

主要引用

[页码] 0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,33,34

---

附图示例

图1：因子构建流程

图2：高频收益反转因子Rank IC 分时段统计

图3：改进放量的正收益反转因子多空对冲净值

图4：改进放量的负收益动量因子多空对冲净值

图5：高频收益波动率因子Rank IC 分时段统计

图6：日频改进波动率因子多空对冲净值

图7：尾盘成交额占比因子多空对冲净值

图8：等权组合因子各组净值

图9：等权组合因子分组年化收益

图10：相关性加权组合因子行业分层净值

图11：相关性加权组合因子分组年化收益

报告