高频因子

最近读到中金量化多因子系列中提到一些高频因子，比如50分钟K线最高与最低价相关系数平方的均值、成交量最高50根K线成交量收益率动量等等，那么根据分钟行情数据构建出来的话，应该是计算出多行的数据，那么对于我们量化爱好者来说，做因子测试的话是利用这些日内多行的数据吗？还是需要做降频处理到每日只取一行数据？之前听万老师讲课听过一般会对高频因子做降频处理，这样处理数据算力负担不会太大。所以有些疑惑，一、想确认下刚才所讲的这两个高频因子是需要取多行数据还是可以降频处理？二、如果可以做降频处理，那么采用什么方式处理比较好？比如取它们均值还是什么？

问题

非线性模型对低频因子组合(比如分析师、财务因子)和对高频因子组合(量价)训练或构造上有哪些需要注意的区别？

解答

财务因子大部分是月频数据或者是季度数据，

在处理数据时，把财务因子和日频的量价因子进行merge然后向上填充。

通过模型选出来的股票我们一般是进行日频换仓。

如果只使用财务数据，又不填充为日频，最好是把标签也改为月频，进行选股调仓周期也对应因子的频率。

但是，这样做可能会导致数据量减少，训练出来的模型过拟合风险增加。

视频

[https://www.bilibili.com/video/BV1XS4y1h7N

研报及源码

【方正金工】成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一

视频讲解

https://www.bilibili.com/video/BV1pW4y1X7Ds/

视频

https://www.bilibili.com/video/BV1p14y1K7mp/

介绍

![{w:90}{w:100}{w:100}](/wiki/api/attachments.redirect?id=c07884e1-08b3-4073-9bf2-9ebca5efc0

摘要

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。这一观点也在本系列前一篇研究（《选股因子系列研究十八——价格形态因子》）中有所印证

本报告主要使用了股票1分钟价格数据构建了相关因子，对于股票高频收益分布特征（方差、偏度以及峰度）进行了刻画。报告主要分为三部分，第一部分讨论了因子的构建以及计算方式。第二部分从单因子的角度对于因子的选股能力进行了分析。第三部分对比分析了加入高频因子的改进模型以

高频价量数据的因子化方法-多因子Alpha系列报告之四十一-广发证券

\n这个高频因子表中忽略了最佳的多头因子amihud因子，建议增加到广发证券高频因子(hf_alpha_gfzq)这个高频的表中。

尝试复现 海通的 《选股因子系列研究(十九)——高频因子之股票收益分布特征》 的收益方差

论文里前两种方法 ：

方法一

方法二

对应两种方法SQL的实现

![](/wiki/api/attachments.redirect?id=bbd283ec-5cc4-42

https://bigquant.com/wiki/doc/tezheng-ri-xIjPe1UFMu

这个例子程序也一直报错

https://bigquant.com/experimentshare/5c62736dd4bb44c9a4831181e1a00868

您好, 新版的模拟交易中高频因子提取出错, 在编辑器里面是正常运行的...

File module2/common/modulemanagerv2.py:88, in biglearning.module2.common.modulemanagerv2.BigQuantModuleVersion.call() 88 89 File module2/common/moduleinvoker.py:370, in biglearning.module2.common.moduleinvoker.module_invoke() 90 91 File module2/common/modu

时间：2020 年 07 月 30 日

分析师：冯佳睿 袁林青 姚石 罗蕾 余浩淼

摘要

高频行情数据蕴含丰富的信息，但市场上少有对此类数据的特征及如何应用的详细介绍。本文从高频行情数据的组成和结构出发，系统整理了十几个既有经济学逻辑， 又表现良好的因子，并通过多因子指数增强模型展现其实践价值。

Level2 行情数据概况

Level2 行情数据是目前国内证券市场上对于交易信息包含最为完整，颗粒度最为精细的行情数据产品。主要有 4 种形式：分钟 K 线、盘 口快照、委托队列、成交明细。Level2 行情数据已覆盖在沪深两市上市的股票、 可交易型基金、沪深交易所指数等大量

本文旨在复现方正证券的金融工程类研报，通过构建高频因子让大家学习股票分钟数据的使用。原始研报贴在文章的最后附录部分。

一、因子逻辑介绍

在股票市场中，成交量的边际变化隐含着非常重要的信息，特别是在技术分析领域，成交量被认为是股票市场的原动力。俗语“量在价先”深刻的反应了成交量的变化对于股票价格波动的预测具有指示性作用。

以利好信息为例，当一个利好信息公布后，可能会引起相应个股成交量的突然放大。如果在成交量激增的同时，价格却未发生变动，或者未能引起价格的波动，则表明这一利好消息没能得到市场广泛的认可。相反，如果成交量激增的同时，价格出现大幅上涨，则表明市场对于此利好信息反应过于趋同，

https://bigquant.com/codeshare/3b5c66d6-ed5b-46a0-8dc6-3a48cc76a482

\

摘要

在前期报告中，我们从交易逻辑出发，使用分钟、tick以及逐笔数据构建了一系列高频因子，在2019年5月发布周报样本外跟踪以来，取得了优异稳定的表现。

在本篇报告中，我们将考察高频因子在不同周期和域下的表现，以及分析影响因子表现的因素。

正文

/wiki/static/upload/2e/2e0b73a2-fb2e-44db-8e77-90dda5547b24.pdf

\

https://bigquant.com/codeshare/5cc967b1-9dd1-45ef-a021-3194dd0c1e4f

\

高频因子加工，本质上就是将日内的高频信息降频为日频，有些因子在降频为日频后，还要向前取移动平均，例如5日、20日

以20日移动平均为例，一个低效率的方式是，加工高频因子时，取数据就多取20天的，以一天5000只票240分钟为例，这种取数据就要取到5000 X 240 X 20 = 24,000,000 条数据

但是一个更高效的方法是，加工高频因子时，只取一天的数据，高频因子加工好后村一个临时表，之后在临时表中计算20日滚动平均，这样的话，取数据就只需 5000 X 240 X 1 + 5000 X 20 = 1,300,000，效率有很大提高

我们以分钟交易量方差，再取20日移动平均为例

20210322-长江证券-基础因子研究（十七）：高频因子（十一），高频数据的微观划分.pdf

• 交易微观结构，即通过高频量价数据的刻画，区分出不同交易性质的时间段
• 交易活跃度不同的区间，价格变动呈现不同的趋势效应，价格波动呈现不同的风险属性
• 根据因子收益来源直接进行结构划分可以更好的做到信息的提纯，改进因子表现
• 当同划分逻辑在因子改进上呈现相反结果时，说明某种划分下有增量信息可以提纯

[/wiki/static/upload/04/040703f9-7b3e-4b99-aaeb-98f5d4215274.pdf](/wiki/st