高频因子研究框架-长江证券-20190721
由qxiao创建，最终由qxiao 被浏览 267 用户
摘要
高频因子研究框架
高频因子需要考虑的核心问题在信息增量，除此之外，因子表现的细节问题，如行为交易逻辑、收益来源，也需要从特定角度进行考虑。研究方法以线性模型为基础，从因子统计和因子回测两个方面出发，给出统计意义和选股表现上最直接的展示。
以个股日度成交额为锚，改进流动性溢价参数
本文以个股日度成交额为锚，对流动性溢价因子中的交易金额给出改进，并将溢价估计频率提高至2分钟频率，可以提供信息上的增量。Fama-MacBeth回归t值为1.98，因子IC为8.10%，IC_IR为53.59%，相比全市场等权基准年化超额收益7.24%，净值曲线排列完全呈现线性；完全剥离风格和行业的线性影响后仍有一定选股能力，因子IC为1.96%，IC_IR为29.37%，相比全市场等权基准年化超额收益0.92%，净值曲线排列基本呈现线性。
高频反转因子结构窥探
高频率的时间区间划分和成交量加权的方式均可对反转因子给出改进；价格上的动量效应并不稳定；开盘时间段仍体现反转效应，且信息增益较为明显；市场波动率是反转类因子择时的重要代理变量，且在市场环境有持续性的前提下，当期市场波动率对下期因子收益在月度和季度上均有预测作用
全局类高频反转因子可以提供信息收益
从统计维度上看，剥离了Fama因子（剔除反转因子）线性影响后，回归t值在-6左右，剥离了Fama因子线性影响后，回归t值在-5左右。从回测角度上看，全局类反转因子在剥离风格因子和行业因子的线性影响后，仍具有一定的选股能力，全市场内多空年化收益为8.88%，中证800内多空年化收益为3.95%，因子仅在2014年有明显回撤
正文
/wiki/static/upload/d6/d6e38aae-a5f5-4cd7-9535-c263cfaae574.pdf
\