• 报告首先介绍风险管理中的VaR和CVaR理论，强调CVaR作为相干风险测度，相较于VaR更能有效刻画尾部风险，尤其适用于厚尾分布的金融数据。CVaR在风险管理中可被用于精细刻画资产日内收益分布的极端损失[page::2][page::6][page::7][page::8]。

• 使用分钟线收益率数据构建CVaR因子。选股范围涵盖全A股、中证500和沪深300指数成分股。通过分组回测，发现因子在全A股中表现较好，分组收益具有单调性和较高的多空对冲夏普比率（1.3898）及年化收益（18.30%），但在大盘指数中表现减弱[page::9][page::10][page::11][page::12][page::13]。

| 指标 | 全A | 500指数成分股 | 300指数成分股 |
| -------------- | ------------ | -------------- | -------------- |
| RankIC | 0.0827 | 0.0618 | 0.0754 |
| ICIR | 1.7287 | 1.3164 | 1.2501 |
| 多空夏普 | 1.3898 | 0.5054 | 0.7295 |
| 最大回撤 | 14.03% | 17.55% | 22.73% |
| 年化收益 | 18.30% | 5.79% | 11.42% |

• 高频分钟收益率数据中包含大量噪音，成交量加权平均收益率（VWAR）被引入以减少噪音，强化交易活跃时段的价格发现功能。实证数据显示，万科A的VWAR序列比普通收益率更集中于激烈交易时段，分布峰度和偏度明显提高，非正态性更强，利于尾部风险分析[page::15][page::16][page::17][page::18][page::19]。

| 统计量 | 偏度 | 峰度 | Jarque-Bera |
|--------------|--------|---------|-------------|
| VWAR数据 | -2.41 | 44.41 | 66177.88 |
| 收益率数据 | -1.05 | 17.55 | 8215.79 |

• 基于VWAR序列构造的VCVaR因子通过正交剔除市值、行业、换手、反转和波动因子的影响后，因子间相关度明显降低，仍保持显著的单调分组表现，且在不同指数成分股中均表现出稳健的选股能力。
• 量化策略构建细节：

- 选股池覆盖中证500和沪深300成分股。
- 回测区间为2016年1月至2019年9月，调仓频率为每月一次。
- 交易成本考虑印花税0.1%、佣金0.08%、滑点0.05%。
- 权重通过优化器确定，目标最大化因子暴露，约束行业、市值及权重偏离。
- 策略在500成分股中的表现优异：年化收益6.05%，年化波动2.99%，夏普比率2.03，最大回撤4.33%，月胜率71.11%。
- 300成分股回测表现略逊，年化收益4.31%，夏普比率1.78，最大回撤3.81%。[page::20][page::22][page::23][page::24][page::28][page::29][page::30][page::31][page::34]

• 左侧5%VCVaR与右侧5%VCVaR因子表现接近，均显示出良好的选股效果和投资价值，表明尾部风险的双向特征均具有信息量[page::32][page::33]。

| 指标/指数 | 500内左5%VCVaR | 500内右5%VCVaR | 300内左5%VCVaR | 300内右5%VCVaR |
|--------------|--------------|--------------|--------------|--------------|
| 年化收益率 | 6.05% | 5.61% | 4.31% | 3.80% |
| 年化波动率 | 2.99% | 2.74% | 2.42% | 2.33% |
| 夏普比率 | 2.03 | 2.05 | 1.78 | 1.63 |
| 最大回撤 | 4.33% | 3.58% | 3.81% | 4.43% |
| 月度胜率 | 71.11% | 68.89% | 68.89% | 60.00% |

• 本报告基于历史数据测试，提示市场环境变化可能影响模型有效性。风险提示及免责声明显示研究具有一定局限性，不构成投资建议[page::34][page::35]。

报告详尽分析：分钟线的尾部特征 ——市场微观结构剖析系列之一

---

1. 元数据与报告概览

• 报告标题：《分钟线的尾部特征》

- 作者及联系方式：分析师严佳炜（执业证书编号：S1220519090003）及其联系人邱捷铭，联系方式18938852865（微信同号）

• 发布机构：方正证券股份有限公司，行业领先的大型综合类证券公司，专长交易、投融资与财富管理。

- 发布日期：未直接明示，但回测数据截止2019年9月。

• 报告主题：从市场微观结构视角，基于风险管理和极值理论，研究A股市场分钟线数据中的尾部风险特征，构建和验证尾部风险因子(VCVaR因子)，提出利用成交量加权平均收益率(VWAR)强化尾部效应并应用于股票选股与组合构建。

- 核心论点总结：
- 金融资产收益率数据表现出厚尾性，传统均值-方差框架难以有效捕捉尾部风险。
- VaR和CVaR作为风险管理指标，特别是CVaR以其数学性质优势，适合尾部风险的度量。
- 通过分钟线成交量加权收益率（VWAR）强化尾部效应，降低价格噪音。
- 基于VCVaR构建选股因子，验证其在全市场及主要指数中的有效性，构建优化组合取得超额收益。

• 报告主旨：强调分钟线数据中尾部特征的重要性，应用先进风险度量和数据处理技术，开发稳健的量化因子，帮助精准识别股票风险与收益机会。

---

2. 逐章深度解读

2.1 目录与框架（图表1）

报告分为四大部分：

1. 尾部效应理论基础（风险管理和极值理论）

2. VWAR对尾部效应的强化

1. 测算及单因子组合构建方法

4. 总结

此结构清晰，逐步展开理论-方法-实证-总结的逻辑链[page::1]。

2.2 第一章：尾部效应 - 风险管理和极值理论

• 关键点提炼：

- 传统均值-方差理论不足以捕捉金融资产的尾部风险，尤其是非正态的厚尾分布。
- 尾部数据（极端收益）具有更强的信息价值和价格发现功能。
- VaR（在险价值）和CVaR（条件在险价值）模型是风险管理中针对尾部风险的两种主要度量指标。
- VaR定义为在某置信度下收益率不超过的最大值，公式为：
$$ VaR\alpha(X) = \min\{z | FX(z) \geq \alpha\} $$
- CVaR定义为在亏损超过VaR阈值条件下的期望损失值：
$$ CVaR\alpha(X) = E[X | X \leq VaR\alpha(X)] $$
- VaR和CVaR在正态分布下可转换，但实际金融数据厚尾分布使其区别显著。
- CVaR满足相干风险度量的全部性质（单调性、正齐次性、平移等价性、次可加性），而VaR不满足次可加性，可能导致风险评估偏差。
- 由于CVaR函数连续且凸，可用于优化模型，VaR则因不连续不可导不适合优化问题。

• 推理与假设：

- 报告明确指出厚尾性是金融序列的普遍属性，因此尾部风险度量尤为重要。
- 强调风险管理理论向尾部风险度量的转变，更符合实际市场中极端事件对投资者的影响。
- 选择CVaR作为核心风险度量因子基础，具有明确的数学及实证优势。

• 图表4（VaR与CVaR示意图）解读：

- 图示展示收益率分布的右尾，VaR对应特定置信度的截断点，而CVaR是VaR截断点左侧尾部的均值。
- 图示直观展示CVaR捕捉极端损失的能力优于VaR的单点估计，支持文本中关于CVaR优势的论述[page::2,3,4,5,6,7,8].

2.3 第二章：VWAR——强化尾部效应

• 背景说明：

- 高频分钟收益率数据本身噪声较大，存在流动性差带来的价格偶发跳动和噪音扰动。
- 尽管尾部风险因子表现出选股能力，但未进行正交调整时，因子与市值、行业等经典因子相关性较强，剔除后效果大幅下降，暗示存在信息冗余或噪声影响。

• VWAR定义及作用：

- VWAR即成交量加权平均收益率，其核心思想是用成交量加权收益率，突出成交活跃时段的价格变动，弱化流动性差低量时段的噪音。
- 日度计算公式为：
$$ daily(VWAR) = \frac{\sum Returnt \times Volumet}{\sum Volumet} $$
- 高频分钟价数据VWAR定义为：
$$ VWARt = Returnt \times Volumet $$

• 实证对比（图表9与图表10）：

- 万科A的普通分钟线收益率序列波动更大，噪音明显，尤其是在成交稀疏时段。
- VWAR序列则平滑并能聚焦于成交活跃区间的变动，更符合价格发现机制。

• VWAR的分布特征（图表11、12、13）：

- VWAR序列具有更高的峰度与偏度，表明其非正态性、厚尾特征更突出，有助于捕获极端尾部风险。
- 统计数据显示，VWAR的偏度为-2.41，峰度达44.41，远高于普通收益率的偏度-1.05、峰度17.55，尾部风险识别能力更强。

• 结论：

- VWAR强化尾部信息，减少价格噪声干扰，为后续构建基于CVaR的风险因子奠定数据基础[page::15,16,17,18,19].

2.4 第三章：测算及因子组合构建

• VCVaR因子的定义：

- 使用分钟级别VWAR序列计算条件在险价值：
$$ VCVaRT = CVaR\alpha(VWARt) $$
- 日常计算左尾5%VCVaR，月末取均值，作为VCVaR因子值。

• 数据区间与策略细节：

- 涉及全A股、中证500、沪深300，回测区间为2016年1月至2019年9月。
- 调仓频率为每月，组内等权或使用优化器权重，考虑交易成本（印花税0.1%，佣金0.08%，滑点0.05%）。
- 权重约束涵盖市值、行业及个股权重偏离，避免结构失衡。

• 因子有效性验证：

- 初始CVaR因子在全A层面有效，RankIC为0.0827，ICIR为1.7287，多空对冲年化收益18.30%，最大回撤14.03%，夏普率1.3898，收益分组呈明显单调递增。
- 但在剔除市值、行业、换手、反转、波动五大因子影响正交后，因子效果显著下降：
- 全A RankIC由0.0827降至0.0349，夏普率由1.3898降至0.9406，最大回撤由14.03%降至6.43%等。
- 500成份股和300成份股内表现类似，正交后效果减弱但仍具一定选股能力，说明因子本身被传统因子部分解释或影响[page::11,12,13,14].

• VCVaR因子正交后效果显著提升：

- 采用VWAR强化尾部信号后的VCVaR因子逆转上述问题：
- 全A正交后VCVaR RankIC为0.0701，ICIR为2.6377，夏普率2.7502，最大回撤11.08%，年化收益17.06% ，表现优于CVaR因子正交后效果。
- 500成分内RankIC 0.0739，年化收益17.8%，最大回撤16.80%，夏普比率1.85，效果显著提升。
- 300成分内RankIC 0.0514，年化收益12.19%，夏普1.459，最大回撤12.7%。
- 因子正交前后相关性显著下降（与市值相关性由-30%降至2.74%），体现该因子捕捉独立尾部风险信息[page::20,21,22,23,24,25].

• 组合构建方法：

- 使用优化模型最大化因子暴露，同时控制市值、行业、仓位约束。
- 权重优化确保组合结构合理，减少回撤和风格偏颇风险。

• 组合实证表现：

- 500成分内构建组合年化收益6.05%，年化波动2.99%，夏普为2.03，最大回撤4.33%，月胜率71.11%。
- 300成分内表现为年化收益4.31%，波动2.42%，夏普1.78，最大回撤3.81%，月胜率68.89%。
- 年度表现显示稳定收益与较低最大回撤，2016-2019年均有积极的风险调整后回报，突显VCVaR因子的实用性及稳定性[page::28,29,30,31].

• 左右尾风险特征对比：

- 左侧（下跌）和右侧（上涨）的VCVaR因子均表现出类似的风险收益特征，左侧因子略优于右侧。
- 说明极端上涨和下跌尾部均包含可利用的风险信号，为投资策略提供双向参考可能性[page::32,33].

2.5 第四章：总结与声明

• 总结要点：

- 结合风险管理和极值理论，基于分钟VWAR构建的VCVaR因子有效捕捉尾部风险，具备显著的股票选股能力。
- 正交剔除常规风格因子后，VCVaR因子依然保持其预测能力，表明其信息含量丰富且独立。
- 该因子在全市场及指数内均表现出稳定有效的风险调整收益。

• 风险提示：

- 报告基于历史数据，模型未来表现可能受市场结构、政策变动影响。
- 本报告不构成具体投资建议，提醒投资者理性决策。

• 声明与合规：

- 作者资格声明、信息披露、免责声明及评级解释均完整规范，体现研究的合规性和专业独立性。

---

3. 图表深度解读

3.1 VaR与CVaR示意图（图表1，页4）

• 展示收益率分布曲线，VaR对应置信度截断点，CVaR代表截断点左侧尾部的条件期望值。

- 视觉突出CVaR捕捉极端损失的能力，支持其作为风险度量的优越性。

• 图表清晰辅助理论理解与后续实证应用[page::4].

3.2 CVaR因子分组收益及多空收益（图表2-7，页11-13）

• 分别针对全A、500及300成份股展示因子分组收益曲线，分组依据VCVaR因子值由小到大排序。

- 图线分布呈现一般向上趋势，最大值组整体表现优于最小值组，反映因子对收益的预测效能。

• 多空对冲收益曲线说明多头组合和空头组合之间存在较大收益差异，验证因子的选股能力。

- 但是在500和300成分内，分组收益单调性减弱，表明指数成分股中的因子表现相较全A较弱，提示成分股市场效率更高[page::11,12,13].

3.3 VWAR收益率序列与分布（图表9-13, 页17-19）

• 两张分钟收益率序列图直观展示普通收益率序列波动大、噪声多，成交量加权收益序列更平滑、更具代表性。

- 分布直方图配合与正态及t分布拟合曲线比较，突出VWAR序列的厚尾特性，支持采用VCVaR度量尾部风险。

• 参数统计表明VWAR偏度、峰度及Jarque-Bera检验值显著高于普通收益率，强调其独特的统计性质及尾部信息优势[page::17,18,19].

3.4 VCVAR因子组合实证表现（图表14-26，页22-33）

• 多张分组收益线图显示因子构建的股票组合在不同市场区间的表现，清晰反映收益分层及多空对冲收益的优势。

- 多组统计表（RankIC, ICIR, 年化收益, 夏普比率，最大回撤等）详细定量展示因子的风险调整收益及稳健性。

• 年度收益与波动表反映组合在不同年度的表现差异，验证因子可持续性。

- 左右尾VCVaR因子对比表具体量化两侧风险指标，提供双向信息利用的研究基础。

• 组合表现图表丰富，直观，数据支持清晰，论据有力[page::22-33].

3.5 相关性与正交影响图表（图表14,25，页14,25）

• 两张相关性图表揭示因子在剔除市值、行业、换手、反转、波动因子后，相关性大幅降低，从而减少共线性，增强因子独立性和选股信噪比。

- 显示VWAR处理后，VCVaR因子独立有效，技术路线科学合理[page::14,25].

3.6 组合构建优化目标示意（页26）

• 以数学形式展示了在权重优化中最大化因子暴露及约束控制的框架，体现了组合构建的系统性和严格性。

- 该说明增加了研究方法透明度，加强投资策略的科学基础[page::26].

---

4. 估值与因子效果分析

• 本报告无传统财务估值（如DCF、市盈率）部分，因报告专注于资产价格的尾部风险微观结构分析及相应因子构建，属于量化策略研发范畴。

- 因子有效性通过统计指标（RankIC、ICIR、夏普率、最大回撤、年化收益）和多空对冲实证组合表现体现。

• 采用因子正交化消除共线性，提升因子纯净度及预测稳定性。

- 优化模型对组合权重进行约束，保证风格中性和行业分散，增强投资组合的实际可行性和风险控制。

---

5. 风险因素评估

• 报告多次提示模型基于历史数据，未来市场结构、投资者行为、政策经济环境变化可能导致模型失效。

- 未涵盖宏观风险、市场极端事件的突发性，但将尾部风险作为核心捕捉目标，部分覆盖该风险类别。

• 交易成本等微观结构摩擦纳入考量，且策略调仓频率合理，风险控制明确。

- 报告未明确给出缓解策略，但通过优化约束、中性化回归方法缓解因子风险暴露异常。

---

6. 批判性视角与细微差别

• 报告对尾部风险有充分理论和实证论证，逻辑严密。

- 测试区间较为集中（2016年-2019年）可能未完全涵盖多样市场环境，未来需验证鲁棒性。

• 量化因子测试主要局限于A股市场和主要指数，适用性向其他市场扩展需谨慎。

- 正交后因子表现下降提示因子一定程度依赖于传统风格因子影响，非完全独立。

• VWAR强调交易活跃度，有利于减少高频噪音，但也可能导致流动性过度敏感，可能忽视低流动性股票的尾部风险。

- 左右尾风险接近的结论值得进一步深挖，此处结果可能因市场特定结构所限不适用于所有市场。

• 报告未详细讨论极端尾部风险（如黑天鹅事件）的极限表现或模型适用边界。

---

7. 结论性综合

本次方正证券严佳炜分析师关于《分钟线的尾部特征》报告，通过深入微观结构角度，结合风险管理和极值理论，科学地利用分钟线成交量加权收益率（VWAR）强化金融资产尾部风险特征，创新地构建了VCVaR尾部风险因子。

报告在理论上梳理了VaR和CVaR的定义及优劣，指出在厚尾分布环境下CVaR更具适用性；实证中展示了静态CVaR因子的缺陷，以及引入VWAR后VCVaR因子的全面提升。VCVaR因子经过正交传统风格因子依然保持良好选股能力，适用范围涵盖全A及主要指数成份股。

丰富图表展示了因子分组收益、多空对冲表现及年化风险调整收益，明确体现了该因子对极端尾部风险的捕捉能力及实际组合构建的应用价值。左右尾部风险的相似表现亦为未来研究提供方向。

风险提示明确指出当前模型基于历史数据，未来市场变化可能导致失效，投资需谨慎。本报告符合合规要求，声明清晰。

综上，VCVaR因子代表了对市场微观结构和尾部风险理解的进步，能够辅助构建更为稳健的量化选股模型。报告为量化投资领域提供了有效的理论与实操指导，是金融市场风险管理与微观结构研究的重要贡献。

---

溯源文献页码：[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38]

报告