背景介绍：在上篇报告《基于股价跳跃模型的因子研究—高频数据因子研究系列九》中，我们介绍了学术界从股价的跳跃—扩散模型出发，通过非参数估计的方法衡量股价在日内的跳跃波动水平及其在方向、大小维度上的拆解。通过在A股市场的实证测试，我们发现正负向跳跃不对称性因子SRJV与正向跳跃波动因子RJVP具有不错的选股能力。本篇报告围绕学界对于跳跃研究的另一重要话题—跳跃识别（检验）继续开展跳跃相关因子研究。在此之前，学术界已利用跳跃检验的方式从不同角度实证研究了跳跃及信息冲击与股价收益率的关系。
　　研究内容：首先我们介绍学界两种应用较为广泛的股价跳跃检验框架，具体而言我们介绍其对应构造的两种检验统计量；基于此，我们先介绍两类学界提出的跳跃识别相关因子“跳跃到达率”以及“累计跳跃收益”，接着我们试想将跳跃波动与跳跃识别结合，构建利用显著跳跃进行方向筛选的新跳跃波动因子。
　　因子表现：三大类跳跃识别相关因子中，跳跃到达率类因子由于信息压缩严重导致效果相对不理想；累计跳跃收益类因子通过股价反应来间接刻画信息冲击程度使得因子效果提升；而通过衡量股价跳跃波动幅度来直接反应信息冲击的跳跃识别与跳跃波动相结合类因子则更有效，呈现出三者中最强的选股能力且较跳跃波动因子本身有业绩提升。
　　 TSRJVP_BNS因子行业市值中性后全市场十分组月度选股：IC均值-9.8%，年化ICIR-5.1，IC胜率93.5%，多空年化收益31.9%，多空夏普3.4，等权多头相对中证500年化超额收益13.7%，IR1.6。分年角度看，多空增长稳健，2015年以来各年均实现30%以上收益率，2022年多空收益35.3%；从多头超额角度看，除2017年外各年均实现正超额，2021年以来超额增长提速，2022年超额收益14.5%。
　　风险提示：1.本报告中所述模型用量化方法通过历史数据统计、建模和测算完成，所得出的结论与规律在政策、市场环境发生变化时可能存在失效的风险。2.本报告中所述模型在市场结构及交易行为改变时有可能存在策略失效风险。