高频价量数据因子构建方法与优势简介 [page::0][page::4]

• 高频信息因子拥挤度较低，因子多样性强，具有更多独立样本检验机会。

- 因子由日内价格相关、日内价量相关、盘前信息及特定时段采样四类构成，总计46个因子。

• 因子数据使用分钟级行情，经过5日简单移动平均(MA5)等平滑处理提升稳定性和预测能力。

主要因子计算方法及与传统风格因子相关性分析 [page::6][page::13][page::20][page::26]

• 价格相关因子包括已实现偏度(realskew)、日内收益率(retintraday)、日内最大回撤等。

- 价量相关因子包括成交量分布因子(ratiovolumeH1-H8)、价量相关性(corrVP、corrVRlag)、Amihud非流动性因子等。

• 盘前信息因子基于开盘集合竞价信息和隔夜收益率相关特征。

- 特定时段采样因子主要利用尾盘和大成交量时段信息。

• 多数高频因子与低频风格因子相关性较低，Amihud非流动性因子与市值、波动率相关性较高。

高频因子的收益预测能力表现（IC及多空收益率） [page::9][page::10][page::14][page::17][page::27]

• MA5平滑后，大部分因子IC均值较原始因子提升，预测稳定性增强。

- 高频因子的多空收益率多数显著优于零，且多空胜率维持在60%以上。

• 价格相关因子realskew和retintraday、价量相关因子ratiovolumeH8、corrVP、corrVRlag和Amihudilliq等表现较好。

- 盘前因子retopen2AH1、retopen2AL1等也展现不错表现。

• 特定时段采样因子retH8、realskewlarge、corrVPlarge表现突出。

- 但除了Amihudilliq外，多数因子的正Alpha低于负Alpha，显示空头组合收益更强。

高频因子相对中证500超额收益表现及风险揭示 [page::34][page::35][page::36]

• 多数因子相对中证500指数实现正超额收益，Amihud非流动性因子超额收益最高，年化17.28%。

- 部分因子如corrVRlag表现平平甚至无正向超额。

• 扣除交易成本后，多头超额收益显著下降，因子正Alpha收益明显低于负Alpha收益。

- 指出市场结构变化和因子拥挤可能导致策略失效的风险。

高频因子不同平滑方法下性能比较 [page::35][page::36]

• MA5平滑相较MA20表现更佳，指数移动平均EMA5也表现优于简单MA5，推荐短期加权平滑方法。

筛选的12个优质高频因子名单 [page::33][page::36]

realskew（已实现偏度）、retintraday（日内收益率）、ratiovolumeH8（尾盘半小时成交量占比）、corrVP（日内价量相关性）、corrVRlag（量与滞后收益率相关性）、Amihudilliq（Amihud非流动性因子）、retopen2AH1（开盘价相对第一阶段集合竞价最高价收益率）、retopen2AL1（开盘价相对第一阶段集合竞价最低价收益率）、retH8（尾盘半小时收益率）、realskewlarge（大成交量已实现偏度）、corrVPlarge（大成交量价量相关性）、corrVRlaglarge（大成交量量与滞后收益率相关性）。

《高频价量数据的因子化方法》深度分析报告

---

一、元数据与概览

• 报告标题：《高频价量数据的因子化方法》（多因子 Alpha 系列报告之四十一）

- 发布机构：广发证券发展研究中心

• 发布日期：报告未具体标明发布日期，但就数据看，研究涵盖2010年至2021年区间，最新数据至2021年。

- 分析师团队：罗军（首席分析师）、安宁宁（联席首席分析师）、多位资深及高级分析师参与。

• 研究主题与对象：主要围绕中国A股市场的高频价量数据，探索如何利用高频交易数据构建有效的多因子选股模型。重点考察了46个高频因子及筛选出的12个表现优异的周频选股因子。

报告核心论点

• 高频数据因其因子拥挤度低、因子多样性好以及更多独立样本的优势，比传统的低频因子在量化投资中的应用更具潜力。

- 报告创新地从日内价格维度、日内价量维度、盘前集合竞价信息、特定重要时段采样等四个方面设计因子体系。

• 通过IC（信息系数）和多空组合回测方法，筛选出12个表现优秀的周频高频因子，展示了较强的选股能力。

- 不过，除Amihud非流动性因子外，其他因子的多头正Alpha收益较弱，且交易成本对多头表现影响显著。

• 未来的风险包括模型失效的可能，尤其是在市场结构变化以及策略参与者增加的情况下。

该报告主要基于高频数据挖掘因子绩效，为投资者提供新思路和工具的参考。[page::0,4,36]

---

二、报告章节深度解读

2.1 高频信息因子的优势（第4页）

该章节论述了高频数据相比传统低频数据因子的优势，具体为：

• 因子拥挤度低：高频数据量级大且门槛高（例如Level 2数据需额外付费），使因子挖掘受限，拥挤度较低，且高频信号之间的相关性较低。

- 因子多样性好：高频数据包含多维时间序列的噪声丰富结构，研究需要通过信号变换、时间序列处理、机器学习等方法提炼，使得构建的因子与低频因子相关性较低，增加多样性。

• 独立样本多：高频因子的调仓周期短（如日频、周频），使得在固定样本内有更多独立检验样本，增强了模型有效性检验能力。

挖掘难点在于数据维度巨大、噪声高。方法包括人工经验构建和机器学习自动挖掘。报告实施了46个高频因子构建和测试。[page::4]

---

2.2 因子构建方法和性能指标（5页）

• 因子构建包括两步：

1. 基于日内高频信息计算日频因子；
2. 对日频因子进行加窗平滑（如5日移动平均MA5）增强预测稳定性。

• 平滑方法包括简单移动平均（MA）和指数移动平均（EMA），后者对最新数据加权更重，有助于提升短期响应能力。

- 主要因子类别涵盖：
- 日内价格相关因子
- 日内价量相关因子
- 盘前信息因子（基于集合竞价）
- 特定时段采样因子（如尾盘与大成交量时段）

• 因子性能评估指标定义包括：IC（信息系数，因子与未来5日收益秩相关）、IC胜率（预测方向正确概率）、年化ICIR（信息系数稳定性指标）、多空超额收益率（多头收益与空头收益差的年化值）、正负Alpha等。

- 股票池覆盖全市场及中证500，剔除停牌、新股等异常样本。[page::5]

---

2.3 日内价格相关因子（7-11页）

构建方法：

• 基于分钟收益率的高阶统计量：已实现方差（realvar）、已实现偏度（realskew）、峰度（realkurtosis）及上行/下行收益率方差等构造。

- 价格形态衍生因子，如趋势占比（价格变动净值比绝对价差总和）、日内收益率（开盘至收盘价收益率）、日内最大回撤。

关键数据点：

• 因子与低频风格因子的相关性较低（realskew、趋势占比、日内收益率均低于0.15），说明高频因子具有一定独立性。

- MA5平滑后因子IC表现好于原因子，尤其是realskew和retintraday，IC均值约为-4.48%和-4.94%，IC胜率分别达到约80%和65%，显示稳定的预测能力。

• 多空收益测试显示，realskew多空超额收益率约29.27%，retintraday约34.23%；正Alpha收益（多头超市场收益）均明显低于负Alpha收益（空头相对于市场的收益），说明这些因子的多头表现受限。

- 风格中性化处理后，因子优劣结构保持，但多空收益有小幅下降。

图表解析：

• 图2（realskew因子MA5 IC走势）显示，预期收益预测信息稳定累积，2017年前后略有调整但整体向好。[page::6-11]

---

2.4 日内价量相关因子（12-20页）

构建方法：

• 按交易日分割为8个半小时区间，计算各区间成交量占比（ratiovolumeH1-H8）。

- 构建价量相关因子，如分钟成交量与价格相关系数（corrVP）、与收益率相关（corrVR及滞后和超前版本）、Amihud非流动性因子。

关键数据点：

• 价量因子与低频风格因子相关性普遍较低，除Amihud非流动性因子与市值、波动率、换手率负相关显著。

- MA5平滑后，ratiovolumeH4、corrVP、corrVRlag和Amihudilliq因子的IC表现较强，IC均值均在3%-7%区间。

• 多空收益率表明，corrVP的多空超额收益率高达47.57%，Amihudilliq为36.22%，ratiovolumeH8为33.91%。

- 不同于价格因子，Amihudilliq因子正负Alpha更均衡，其他因子负Alpha表现显著更强。

• 低频风格中性化后，Amihudilliq表现退步最明显，比例成交量和相关性因子影响较小。

图表解析：

• 图6至图9展示了相关主力价量因子在MA5平滑后的IC走势，多数因子预测能力在近几年有所波动但整体保持有效。

[page::12-20]

---

2.5 盘前信息因子（21-25页）

构建方法：

• 利用开盘集合竞价阶段价格区间及隔夜收益率构建因子，如隔夜收益率（retovernight），开盘价相对于第一、二阶段集合竞价最高/最低价的收益率，以及集合竞价振幅。

关键数据点：

• 该类因子与低频风格因子相关性较低。

- 与此前两个类别不同，MA5平滑对提升盘前因子的IC效果不明显。

• 预测能力较强因子有retovernight(原始日频)，retopen2AH1与retopen2AL1，IC均值在2%-4%区间，IC胜率约70%。

- 多空收益表现表明，retopen2AH1和retopen2AL1多空超额收益分别为21.61%和19.89%，正Alpha略低于负Alpha，retovernight经过MA5平滑后表现较差。

• 风格中性化后，多数因子选股能力保持或略有提升。

图表解析：

• 图14至图16展示了该类因子MA5处理后的IC走势，显示部分因子收益预测能力稳定。

[page::21-25]

---

2.6 特定时段采样因子（26-33页）

构建方法：

• 分析开盘后半小时与收盘前半小时内的价量信息，计算对应收益率、价量相关指标等，如retH8（收盘前半小时收益率）、corrVPH8等。

- 针对成交量较大的交易时间段，构建对应的价量因子，如大成交量对应的已实现偏度（realskewlarge）、成交量价格相关性（corrVPlarge）等。

关键数据点：

• 通常MA5平滑因子IC高于原因子，表现稳定。

- 该类因子与低频风格因子相关性较低，已实现方差与波动率正相关明显。

• 预测表现较强因子包括retH8、realskewlarge、corrVPlarge和corrVRlaglarge，IC均值均达到4%以上，年化ICIR多超过3。

- 多空超额收益均表现出负Alpha收益大幅超过正Alpha收益的特征。

• 风格中性化后，部分因子多空收益略微下降，retH8稳定。

- 多空收益率最高的为retH8，近50%以上，且多空胜率达到77%以上，换手率适中。

图表解析：

• 图19至图26展示各因子的IC累计走势及多空收益曲线，均表明该类别因子具备较好选股潜力。

[page::26-33]

---

2.7 筛选因子表现汇总（34-36页）

筛选因子：

• final 12个优选因子分别覆盖价格相关、价量相关、盘前信息及特定时段采样四类。

表现总结：

• 多空超额收益率范围为约19%-50%，其中corrVPlarge（49.82%）和retH8（50.04%）表现最突出。

- 但正Alpha收益普遍显著弱于负Alpha收益，说明空头策略的收益大于多头，提示策略的局限性。

• 扣除交易成本后，除Amihud因子外，多头组合相对基准收益下降明显。

- 以中证500为基准，Amihud因子表现出17.28%的年化超额收益，最为突出。

• 其他因子超额收益多数在-1%至9%之间，个别因子如corrVRlag无明显超额收益。

平滑方法比较：

• MA5平滑处理整体提升IC及收益表现，优于MA20，同时指数移动平均（EMA5）也表现良好。

- 各因子因子IC从3-5不等，平滑方法对部分因子提升明显。

[page::34-36]

---

2.8 结论与风险提示（36页）

结论：

• 高频价量数据因子具备因子多样性、低拥挤度及高样本独立性优势。

- 通过系统构建和实证验证，筛选出12个高效能高频因子。

• 多数因子展现良好的多空收益能力，但多头Alpha普遍偏弱且受交易成本影响较大。

- Amihudilliq因子是唯一同时实现较强多头Alpha及超额收益的因子。

• 未来研究重点应放在如何将因子多空能力更好地转化为多头超额收益。

风险提示：

• 策略模型非百分百有效，市场结构和交易行为的变化，尤其是策略拥挤度提升的风险，可能导致策略失效。

[page::36]

---

三、重点图表解读

3.1 高频信息因子多空收益图（报告封面图 1与2）

• 图1（realskewlarge多空收益）：显示因子在全市场和中证500指数样本上呈现持续上升趋势，MA5平滑后表现最好，表明收盘时大成交量的收益偏度特性对未来收益存在稳定预测能力。

• 图2（Amihudilliq多空收益）：呈稳步上升状态，反映非流动性因子具有较强的越做越好特征，且与市场整体收益明显分离，强化了其选股效能。

3.2 价格相关因子IC及多空收益走势（9-12页）

• 图2（realskew MA5 IC）：IC稳定维持负值（实际中负相关显示因子与未来收益的预期关系），IC累积呈现顺滑下降趋势，胜率接近80%，说明稳定的预测信号。

- 图4（realskew多空收益）：MA5平滑后的多空组合收益明显强于原因子，多空年化超额收益近30%，多空胜率超70%，显示优异的选股能力。

3.3 价量相关因子IC及多空收益（15-20页）

• 图6-9系列，如ratiovolumeH4、corrVP展示了不同价量因子经过MA5平滑后的信息表现，均显示较强选股信息，IC稳健胜率均超过70%。

- 图13（Amihudilliq多空收益）表现尤为突出，年化多空收益高达36%，在同类因子中优势明显。

3.4 盘前集合竞价因子IC与收益（22-25页）

• 图14-16分别展示retovernight、retopen2AH1及retopen2AL1因子的IC走势，IC均值维持在正负4%左右，胜率约72%-78%，依然具备有效预测信息。

- 图17-18多空收益图体现该类因子有效捕捉开盘集合竞价行为的市场影响。

3.5 特定时段采样因子IC及收益（28-33页）

• 图19-22中retH8、realskewlarge、corrVPlarge和corrVRlaglarge因子均展现出良好的信息判别能力，IC年化数值较为理想，且多空收益表现优异。

- 图23-26多空收益曲线平滑上升，显示策略具备持续性选股竞争优势。

3.6 筛选因子综合表现及费用调整（33-36页）

• 表24-27详细列明了筛选因子的多空收益率、正负Alpha对比、费用后超额收益及不同平滑方法影响，体现出该类因子的综合运用价值。

- 图27Amihudilliq因子费用调整后仍保持正的超额收益趋势，市场应用价值突出。

---

四、估值与定量分析解读

本报告核心是因子构建与绩效验证，不涉及传统公司估值模型。其量化方法主要基于：

• 因子信息系数（IC）测试：衡量因子与未来股票收益率的相关性，反映因子预测能力。

- 多空组合回测：基于因子排序，构建多头和空头等权组合，计算多空超额收益、正负Alpha、胜率等指标，评估因子选股能力。

• 平滑技术应用：5天简单移动平均（MA5）和指数移动平均（EMA5、EMA20）用于平滑因子信号，降低噪声，延长信号有效期。

- 风格因子中性化：通过回归对接低频风格因子（市值、动量、波动率、换手率）剔除相关性，验证高频因子独立贡献。

以上量化方法充分结合高频数据复杂特性，提升因子稳定性及预测能力。

---

五、风险因素评估

• 高频因子策略存在模型失效风险，尤其是因市场结构变化或交易行为改变导致原有信号失效。

- 高频数据噪声量大，模型需应对高维度和强噪声挑战。

• 策略拥挤风险：若越来越多交易者采用类似策略，因子优势将被削弱。

- 交易费用显著影响因子实绩净收益，特别是高换手率策略。

• 风格因子中性化分析显示，某些高频因子与传统风格因子存在相关性，可能带来风格暴露风险。

报告未明确提出具体风险缓解策略，但强调策略的非确定性和市场环境依赖性。[page::0,36]

---

六、审慎视角与细微差别

• 报告着重展示高频因子整体正面表现，特别是多空超额收益；但其中正Alpha收益普遍显著弱于负Alpha收益，意味着多头策略收益转化存在瓶颈，投资者需审慎。

- 多因子平滑处理有效提升表现，但不同因子对平滑方法敏感度差异明显，某些因子（如Amihudilliq）平滑加强反而表现略降，显示需针对性调节。

• 因部分高频因子与低频风格因子负相关或有较强相关性，报告对风格因子中性化的考察显示，高频信息并非完全独立，存在风格暴露风险。

- 报告对盘前信息因子和特定时段采样因子表现不足以平滑提升IC进行了说明，提示该类因子的结构特性与传统因子不同，应针对性处理。

• 报告相对保守，反复强调模型策略未必长期有效，预留了对数据非稳定性的空间。

---

七、结论性综合

本报告通过系统化的因子设计、平滑处理和选股回测，证明了高频价量数据在多因子选股中的潜在应用价值。构建并筛选出涵盖日内价格统计特征、价量相关、开盘前资金博弈信号及重要交易时段表现的12个优质高频因子。具体表现上：

• 多数高频因子（realskew、retintraday、ratiovolumeH8、corrVP、retH8等）均在IC测试及多空组合回测中表现出较强的统计显著性和超额收益能力。

- Amihudilliq非流动性因子不仅预测力较强，且多头正Alpha和超额收益均显著高于同类因子，凸显其在选股模型中的重要价值。

• 高频因子采用5日MA平滑等多种技术手段，显著提升IC稳定性和多空超额收益率，指数平滑法（EMA）在若干因子上表现更佳。

- 尽管多因子模型展现实力，但多头收益受交易费用显著影响，且多数因子正Alpha收益低于负Alpha收益，提示多头收益转化存在挑战。

• 风格因子相关性检验支持高频因子具备部分独立性，但不可忽视风格暴露风险，适当中性化处理必要。

- 策略风险主要包括市场结构变化、交易行为变化及策略拥挤，存在模型失效的可能，需动态调整策略和因子池。

该研究结论为高频价量数据因子开发提供了全面、系统的实证基础和方法论指导，是高频量化选股策略开发的重要参考，对推动高频因子从理论到实战的转化具有实际价值。[page::0-36]

---

八、重点图表示例展示及解释（部分）

图1：realskewlarge多空收益

图示四条曲线分别为全市场因子原始及MA5平滑版，及中证500对应组合多空净值。平滑因子组合显著跑赢原因子，多头收益稳定上升，表明已实现偏度因子在大成交量时段具有较强预测能力。

图2：Amihudilliq多空收益

显示流动性因子多空组合表现，整体收益水平远高于realskewlarge，且多头组合曲线持续领先基准及空头，证明其为效果最佳的单因子之一。

图4：realskew因子多空收益走势

曲线体现了因子在不同行情样本上的表现差异，MA5因子平滑显著提升收益稳定性和幅度。

图27：Amihud_illiq因子MA5超额收益走势（费用后）

图示费用扣除后，Amihud因子仍展现稳健的超额净值增长，印证其较强的实际可操作性。

---

总结

本报告详尽、系统地构建并检验了基于中国A股高频价量数据的多因子模型，揭示了高频数据在量化投资中的独特优势及挑战。筛选出的十二个关键高频因子覆盖了价格统计特征、价量交互、盘前资金动向和关键交易时段表现，均显示了优越的选股信息。然而，从正Alpha收益率表现及交易成本影响看，多头信号的转化仍存较大提升空间。未来工作应着眼于因子融合、多头收益优化及动态策略更新，以实现高频因子价值的最大化转化。除此之外，报告对于因子平滑方法进行了深入的对比研究，明确了不同平滑策略对因子稳定性和收益的具体影响，为实际应用提供了重要指导。本研究报告在因子实证和数据处理技术层面均表现出高度专业性和实操价值，适合高频策略开发者和量化投资研究者深入研读采纳。[page::0-38]

报告