“量價淘金”選股因子系列研究：“高頻數據+離散化構建方式”在因子研究中的重要性.pdf

“量價淘金”選股因子系列研究：“高頻數據+離散化構建方式”在因子研究中的重要性。前言：隨著市場的發展與競爭的加劇、尤其是機器學習模型的普及，想要 挖掘現有多因子模型以外的增量信息越來越困難。本篇報告提出以下論 點：未來量價因子的研究，想要獲取更多的、與現有因子低相關性的增量， “逐筆等高頻數據”結合“離散化的因子構建方式”至關重要。

連續性的因子構建方式：所謂“連續性”，即基于某一段連續的數據計算因 子。以常見的“量價相關性類因子”為例，分別基于日頻、分鐘、逐筆數 據，采用連續性的構建方式，批量生產對應的因子簇。將各自因子簇中的 因子等權合成，得到“日頻連續”、“分鐘連續”、“逐筆連續”因子。考察 “分鐘連續”、“逐筆連續”因子相對于“日頻連續”因子的增量，發現雖 然從因子的回測效果上來看，將“分鐘連續”、“逐筆連續”疊加到“日頻 連續”上，因子績效確有顯著提升，但一旦落實到組合層面，“分鐘連續”、 “逐筆連續”的貢獻就變得非常有限。以滬深 300 指數增強組合為例，疊 加“分鐘連續”、“逐筆連續”因子構建的組合，相對于僅用“日頻連續” 因子構建的組合，超額年化收益只能提升 0.5%-0.6%左右。

離散化的因子構建方式：所謂“離散化”，即在過去一段時間內，基于某些 特征、抽取幾個離散的時間點，只用與這些時間點相關的數據計算因子。 分別基于分鐘、逐筆數據，采用離散化的方式構建因子簇，同樣將因子簇 中的因子等權合成，得到“分鐘離散”、“逐筆離散”因子。考察離散化因 子相對于連續性因子的增量，發現雖然將“分鐘離散”、“逐筆離散”疊加 到“連續”因子上，因子的回測表現并未得到明顯提升，但落實到組合層 面，離散化因子卻能提供顯著的增量。比如基于“連續+逐筆離散”因子 構建的滬深 300 指數增強組合，相對基準的超額年化收益為 8.15%，跟蹤 誤差為3.81%，信息比率為2.14，月度勝率為75.68%，最大回撤為4.27%； 相較于只用“連續”因子構建的組合，超額年化收益可以提升 1%以上。

“逐筆離散”因子的表現：在逐筆數據層面，考察放量時間點之后的量價 相關性特征，構建“逐筆離散”因子。回測時間段 2016/01/01-2025/04/30 內，以全體 A 股為研究樣本，該因子的月度 IC 均值為 0.073，年化 ICIR 為 2.87，月度 RankIC 均值為 0.099，年化 RankICIR 為 3.37；10 分組多 空對沖的年化收益為 38.30%，年化波動為 11.88%，信息比率為 3.22， 月度勝率為 81.98%，最大回撤為 11.87%。剔除常用風格與行業的影響 后，因子仍然有效，年化 ICIR 為 2.84。