摘要

自2018年以来，大小盘风格的波动极为剧烈。因此，预判大小盘风格对于获取稳健的投资业绩显得尤为重要。前期研究成果表明，利率水平的变化与市场波动率是两类较为有效的大小盘风格先行指标。因此，本文基于上述两类指标构建了量化模型，预测未来1个月大盘强于小盘的概率，从而辅助大小盘风格轮动。

2018年以来模型预测得到的大盘概率持续回落，短期内小盘风格更优。为了兑现这一判断，需要选择合适的能够代表小盘风格的指数。在实际操作中，我们推荐投资者从多个角度对于备选指数进行分析，并以创业板50指数为例进行了简要讨论。

短期限利率水平变化和市场波动率对于短期大小盘风格具有明显的预测效果。使用2

研究结论

在本篇中，我们借鉴统计套利的思想，提出了价差偏离度的概念，试图捕捉股票相对其同类型股票的高估低估程度。价差偏离度因子本质上是一个相对意义上的反转因子，价差偏离度低，近期跑输其同类股票，股票相对处于低位，有向上回复的动力，有正的预期超额收益，价差偏离度越高，股票处于相对高位，后期有回调的压力。

价差偏离度因子业绩表现优异，过去10年月度RankIC-0.095，IR-0.85，分组的top组合相对市场等权年化超额收益17.8%，而且，其稳定性也较高，IC正显著比例9.8%，负显著比例69.9%，多空组合月胜率76.4%，最大回撤15.16%。

价差偏离度和传统的市值

研究结论

由于市场体制、投资者结构、投资者教育等多方面的原因A股市场投机性较强，既然不能改变A股投机的事实，我们不妨研究如何在投机市场中获利。

我们将个股被投机的过程划分为4个周期，投机程度增强的周期一般伴随着股价的上涨，过度投机后投机程度减弱的周期一般伴随着股价的回落，因此，买入投机程度弱的股票卖出过度投机的股票即可获取超额收益。

股票的投机程度虽然不能被直接观测，但投机程度高的股票往往伴随着一定的交易行为特征，通过对这些交易行为特征的刻画可变相考察个股的投机程度。

我们通过特征波动率、特异度、价格时滞、市值调整换手分别度量股票的波动率高低、个股收益能否被市场风格解释、

摘要

动量效应是由Jegadeesh和提出的，是指股票的收益率有延续原来的运动方向的趋势，即过去一段时间收益率较高的股票在未来获得的收益率仍会高于过去收益率较低的股票•经济学解释：趋势交易，市场反应不足。

反转效应是由DeBond与提出，与动量效应相对，指过去一段时间收益率较高的股票在未来获得的收益率将会低于过去收益率较低的股票。 经济学解释：行为金融学，流动性。

正文

[/wiki/static/upload/f0/f0a14840-1393-4488-bd6b-de013d42f0b5.pdf](/wiki/static/upload/f0/f0a14840-1393-

摘要

收益的可预测性本文分析了荷兰、英国和美国市场近四百年来的股价和分红情况，结果表明：

（1）股息率对股票收益率和股利增长率都有一定的预测能力，但是在年之后，股息率对股利增长率的可预测性消失了，这表明早期分红信息对于价格变动更为重要。

（2）1945年之后贴现率对股价变动的影响更为显著，这种现象与近期企业延缓股利支付有关。 协方差矩阵的非线性压缩：当Markowitz遇见使用Markowitz（1952）的投资组合理论筛选资产时需要估计收益率的协方差矩阵。为了解决这个问题，我们提出一种更加灵活的非线性压缩估计方法，使用这种方法能够获得更恰当数量的自由参数——参数的数量恰好等于资产数

报告摘要

主要观点

本篇是“学海拾珠”系列第二十一篇。作者通过建立资产集群性指标和相对价值指标来对交易泡沫进行识别，并应用于行业轮动和因子择时两个领域中。

• 拥挤交易造成资产价格大幅度波动

拥挤交易指的是大量具有类似特征的资金共同购买或出售某一或某一类资产的现象，这通常会造成资产价格大幅度波动。然而，并非所有的资产价格大幅波动都由拥挤交易引起，如果企业的基本面价值出现变化，则不需要拥挤交易，资产价格也会发生大幅波动。

• 结合集群性和相对价值识别泡沫的不同阶段

拥挤交易通常会引发泡沫，即资产价格并非由基本面价值发生变化而出现大

摘要

选股模型的时效性

信息具有时效性。选股因子对股票收益率的预测能力会随着时间的延后而衰减。机器学习股票收益预测模型的目标是将股票因子与股票未来收益率关联起来。股票因子蕴含的信息决定了模型的预测能力，包括预测准确度和预测窗口长度。如果机器学习模型所用的股票因子中包含的是市场短期情绪面的信息，那么训练出来的机器学习模型可能对市场短期走势的预测能力较强；如果机器学习模型所用的因子包含的是市场中长期的价格扭曲信息，那么训练出来的机器学习模型可能对市场中长期的预测能力较强。

模型构建

本报告按照因子在不同预测窗口长度的IC将选股因子分成不同的组别，并针对不同的股票收益预

主要观点

本篇是“学海拾珠”系列第二篇，摘选自论文《Stock Return Asymmetry: Beyond Skewness》的核心结论。股票收益分布的偏度和股票预期回报率之间的关系是市场广泛关注的话题。有研究指出，高偏度往往与低预期回报率有关，两者之间呈负相关性；但也有人在研究中发现了偏度和预期回报率的正相关性。学界对于两者之间的关系尚无定论。

本篇报告提出了两种新的度量股票收益不对称性的方法。与流行的偏度度量法不同，本文度量基于数据的分布函数，而不仅仅是三阶中心矩偏度。通过实证，用这种新的度量法检测出的股票收益高上行不对称性往往意味着未来的低回报率。其中，第一种方法是计算收

投资要点

不可或缺的风险模型：协方差矩阵应用领域介绍组合的波动是度量组合风险的重要指标，而组合成分股收益率的协方差矩阵便是估计组合波动的重要工具。

股票收益率的协方差矩阵在组合绝对风险估计、组合相对风险控制、组合优化和因子组合构建以及多因子合成四个部分都有着十分广泛的应用。

协方差矩阵的估计方法市场上主流的协方差矩阵估计方法包括样本协方差矩阵、因子模型估计的协方差矩阵、压缩矩阵估计和其他基于时变模型的估计方法。

样本协方差虽然是真实协方差的无偏估计，但待估参数过多、估计误差较大，且当股票（资产）数量大于样本数量时，样本协方差矩阵将不可逆。

因子模型通过设定一定的结构

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及未加入

由于市场体制、投资者结构、投资者教育等多方面的原因A股市场投机性较强，既然不能改变A股投机的事实，我们不妨研究如何在投机市场中获利。我们将个股被投机的过程划分为4个周期，投机程度增强的周期一般伴随着股价的上涨，过度投机后投机程度减弱的周期一般伴随着股价的回落，因此，买入投机程度弱的股票卖出过度投机的股票即可获取超额收益

股票的投机程度虽然不能被直接观测，但投机程度高的股票往往伴随着一定的交易行为特征，通过对这些交易行为特征的刻画可变相考察个股的投机程度。我们通过特征波动率、特异度、价格时滞、市值调整换手分别度量股票的波动率高低、个股收益能否被市场风格解释、股价能否反应市场公共信息（市场指数）

如果没有额外的信息或者大资金的强行介入、股票的日内交易特征应该处于较稳定状态，反之如果股票的日内价量特征很不稳定，那么该股票大概率有信息溢出或者被幕后大资金操控，而此时应该是考虑离场的时候了。

我们基于日内5分钟线计算了日内收益率的波动率、偏度、峰度和日内成交量的波动率、偏度、峰度和HHI指数共7个日内交易特征，考虑到时间序列自相关性，我们采用Newey-West调整标准差度量日内交易特征的稳定性（SDRVOL，SDRSKEW，SDRKURT，SDVVOL，SDVSKEW，SDVKURT和SDVHHI）。

7个日内交易特征稳定性因子在各个样本空间均展现出日内交易特征稳定性越差的股票未来平均

随着技术的进步和竞争的加剧，越来越多的投资已经开始关注日内高频数据，高频数据一般指分笔数据（Tick）、快照数据（Quote）以及衍生出来的分钟数据、资金流量数据等，本文涉及主要是日内5分钟行情数据

本文主要想考察股票的日内价格行为特征和股票未来收益率之间关系，度量股票日内价格行为特征最简单的方法是计算日内收益率的高阶矩（波动率、偏度、峰度），考虑到股票的收益率受市场、市值等风格的影响，我们在计算高阶矩时收益率用Fama-French回归的残差替代，分别计算日内特质波动率、日内特质偏度、日内特质峰度三个指标，以20日均值作为月度指标

通过分析各因子的Rank IC序列和分组的业绩表现，我们

A股呈现明显的市值效应和行业效应，不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验，选出的股票会明显受到市场风格因素的影响，我们有必要从因子原始数据中剥离这些因素，检验因子是否能贡献行业、风格因素之外的alpha，本报告用新的方法对估值、成长、技术、风险四类因子过去十年的表现重新做了检验总结，并综合给出了最新的推荐选股因子

估值类因子能够稳定地提供超额收益，但是高估值股票的负alpha普遍要比低估值股票的正alpha更为显著，呈现出明显的不对称超额收益，在A股市场缺乏有效的个股做空机制的情况下，难以充分获得估值类因子的alpha

成长类因子在财务因子

在本篇中，我们借鉴统计套利的思想，提出了价差偏离度的概念，试图捕捉股票相对其同类型股票的高估低估程度。价差偏离度因子本质上是一个相对意义上的反转因子，价差偏离度低，近期跑输其同类股票，股票相对处于低位，有向上回复的动力，有正的预期超额收益，价差偏离度越高，股票处于相对高位，后期有回调的压力

价差偏离度因子业绩表现优异，过去10年月度RankIC-0.095，IR-0.85，分组的top组合相对市场等权年化超额收益17.8%，而且，其稳定性也较高，IC正显著比例9.8%，负显著比例69.9%，多空组合月胜率76.4%，最大回撤15.16%

价差偏离度和传统的市值因子、估值因子相关性弱，通过因