逆向思维：利用高频的空头效应解锁α潜力
由bqgl97s8创建，最终由bqgl97s8 被浏览 1 用户
本文内容于2026量化思享会 · 2026-01-24 · 上海场 首次分享
1、高频中的空头信息，有用吗？
在做高频因子时，我们经常会发现，有些因子多头分层能力不咋的，但空头很突出，如图：
这是高频因子alpha_92003（来源：平台高频因子表'hf_alpha_htzq'，已平滑）的分层收益图。多头混乱，6年回测整体效果显示，多头年化仅9%，夏普0.5，价值很小；但是空头组年化达到22.1%，夏普1.059，非常突出。如下图：
特别说明：annal_cost为依据换手率估算的年化交易成本（佣金费用率：根据调查的私享会成员大致佣金水平，设为双边0.12%）；annal_net_ret为年化回报减交易成本后的净年化回报率。
当然大家也知道 ，目前，在A股精准做空股票基本是没办法实现，所以就有私享会会员在群里感叹：要是这些空头信息能用上就好了。
空头信息当然是有用的，尤其是突出的空头信息，纯粹而少噪音，实际上是宝贝的信息。今天我们从实例出发，来探索下空头信息的使用。
\
2、思考：空头突出意味着什么？
要利用好空头信息，那么要理解其内在含义。
因子的分组收益图，这个分组，是依据因子的值按大小排序，依次等分成数量相等的十组。也就是说，分组是根据因子值来的，然后我们按组来计算其平均累积收益，就得到分组收益图。这个图如果随着因子值增长或减少，收益率同向或反向单调增减，区分度越高，那代表因子区分股票收益率的能力越强。
那么，空头突出， 就意味着，因子区分最坏收益率一组股票的能力越强，即它对特别坏的股票的挑选是很强的。能区分出坏股票，那我们在多头策略里应用时，就容易想到一个显见的思路：即利用它这个能力，让我们避免去选到这些坏股票，那自然多头收益率就可能提升了。
\
3、构筑测试基本策略和加法的局限
为了更直观并测试方便，我们构筑一个简单的线性策略，通过实际回测来验证。先构筑一个单因子的策略，持仓50只，5天换仓期，因子选择的是方正高频因子alpha_91007：
https://bigquant.com/codesharev3/ab6350d1-4a10-4f32-ae6e-20cb8fe963f5
非常简单，策略回测2年出头仅需十多秒。请记住这个整体绩效。当然一个因子有些单薄，我们通常会加些因子形成多因子体系。这里我加上方正高频因子库里多头相对较好的两个等权组合。请注意，因子组合时通常要对因子值做一些处理。这里我进行一次填充nan值、去极值后截面Zscore标准化。为了避免因子库数据故障如个别全截面没数据等异常，就再套了个coalesce().
https://bigquant.com/codesharev3/4f46c06f-1537-4e3f-987f-93f9b05a182f
这次的绩效提升明显，年化从**37.23%提升到45.38%。**到这里是不是觉得好像提升也蛮简单的，加因子就OK？不，这个有这个成绩，是在批量测试基础上，精选的表现较好的因子来组合的。如果你继续尝试的话，会发现，再添加一些因子的时候，成绩下降的概率，比提升的概率要大很多。所以加法虽然有效，但到一定程度后，再提升就难度很大了。
\
4、利用空头突出的因子做减法
回到我们的主题来，前面说了，我们可以利用空头突出的因子信息，避免让策略选到该因子所圈出的最差的那些票。办法之一是，我们把这个因子找出的最差的股票，从股票候选池中屏蔽掉，如sql中，用qualify 语句只把符合它最差股票范围外的列入筛选范围。这次我们选了广发高频因子”trendratio”来做减法。这次，年化从45.38%提升到了48.13%，夏普也跟着提升到1.16。
https://bigquant.com/codesharev3/78e9cbac-240d-4754-ab22-f1632f7e7720
5、利用空头突出的因子做加法
实际上，如果是构造因子，通常会要求尽可能覆盖全部品种，所以，我们通常不轻易去屏蔽股票，造成股票因子数据的不连续等问题。那么，空头突出的因子信息，其实也是可以作为加法，参与到因子组合中去。正常因子是提供多头信息去择优，我们通常是用加法，按同方向直接加上因子值*权重；那么如果想只利用因子的空头信息，用加法，其实就是给符合条件的那部分确定很坏的股票所涉及因子范围，加上一个与原方向相反的值。如果策略是按数值大回报高即正向的，那么，代表这些坏股票范围的因子值，就加上一个负值，让它数值小些，只能排后面去；反之，如果策略是按数值小回报高即负向的，那么，，代表这些坏股票范围的因子值，就加上一个足够大的正值，确保这些坏股票排到前面去而不被策略选 中。
以下是通过数据初步筛选的一些空头突出的高频因子，通过条件语句给符合各因子分层的股票人为加减一个足够大的分数，来达到筛选的目的。其中具体的因子和因子分层调节的范围，均可通过测试确定，初始一般取5%-10%的”坏股票“范围。测试时建议一次只加一个，调整到合理值后再加另一个。特别注意的是，各因子分层的微观结构差异很大，有的高频空头虽然突出，但加上去不见得能提升效果；还有些则有些意外的惊喜，例如课堂上我们把”alpha_93032”的范围调整到50%时，效果意外的好。
通过加上几个高频因子的空头信息后，策略的年化提升到了56.32%，夏普更是达到了1.31，可以说提升非常明显。
https://bigquant.com/codesharev3/b0e5c590-2108-4530-b34b-b383c0a5fdd0
本例在策略里给股票打分的方式，同样可用于构筑复合因子，score就是因子值。
*特别说明：本文所附策略，仅用于演示以供学习参考，交易有风险，请勿用于实盘交易。