选股因子系列研究(二十五)——高频因子之已实现波动率分解-海通-170909
由qxiao创建，最终由qxiao 被浏览 60 用户
在系列前期报告中（《选股因子系列研究（十九）——高频因子之股票收益分布特征》），我们基于股票高频收益分布特征对于相关因子的选股效果进行了回测。
研究发现，股票高频偏度具有较好的选股效果，但是高频方差以及高频峰度并无显著的选股能力。考虑到股票日收益的波动率同样选股效果不佳，但将其拆分为系统波动以及特质波动后，两个因子皆具有较好的选股效果。本报告尝试对于股票高频波动率进行拆分，并期望从高频波动中提取出有效的选股因子。
“系统波动+特质波动”的拆分方式在高频维度上无法得到具有优秀选股效果的因子。在1分钟的数据频率下，高频特质波动率因子表现较差，并无明显的选股能力。随着数据间隔的增大，该因子的Rank IC、ICIR以及多空收益都出现了改善。
上行波动+下行波动”的拆分方式在高频维度上选股效果较好。上行波动率因子在不同的数据频率下皆展现出了一定的选股效果，即前期股票高频上行波动越大，未来1个月收益表现越差。将上行波动率对于股票波动率进行调整后可计算得到上行波动占比，该因子在不同的数据频率下皆具有较好的选股能力。1分钟数据频率下，因子月均IC达-0.083，ICIR为-3.9，月度多空收益为1.89%。
“系统波动+特质波动”的拆分得到的高频因子在正交后基本无选股效果残留。
上行波动占比因子在正交后依旧具有显著选股能力，且数据频率越高因子选股效果越好。在1分钟频率下，正交后的上行波动占比因子的IC为-0.038，ICIR为-3.6，月度多空收益达0.92%。上行波动占比因子在加入到多因子模型后能够对模型产生进一步的提升。加入1分钟上行波动占比的改进模型，相比于原始模型在复合因子的IC、ICIR、月度胜率以及月度的多空收益上，都有进一步的提升。2017年以来因子截面选股效果较好，仅在6月失效。除了6月外，该因子在其他月份上的IC以及月度多空收益皆为正。虽然该因子在17年对于股票收益有着较好的区分效果，但是无法通过该因子构建单因子组合获取正向收益。
风险提示。市场系统性风险、资产流动性风险以及政策变动风险会对策略表现产生较大影响
/wiki/static/upload/77/775d94f9-68c8-45fa-a7ff-c373a958aecd.pdf
\