跌幅时间重心偏离是更适合刻画“时间差Alpha”的指标
　　涨、跌幅在时间轴上的分布位置捕捉了股票的交易行为特征，两者的相对位置也可能蕴含某种选股信息。
　　经过详细的测试，我们倾向于认为，涨、跌幅时间重心的相对位置是一个有效的Alpha因子，但提取的方法并非是将二者简单做差，原因有二：
　　（1）涨、跌时间重心存在较强的正相关。线性相关导致“时间差”的大小取决于起始位置，而这不符合一般定义：“时间差”在盘初、盘中或盘尾应是一致的。
　　（2）涨、跌时间重心的波动率水平存在差异。作差方法用于构造“时间差”信息会使得因子暴露更多高波动成分（涨幅时间重心因子），因子有效性较弱。我们以跌幅时间重心对涨幅时间重心在截面上回归取残差，再取其20日均值记为跌幅时间重心偏离因子，该因子更适合用以刻画“时间差Alpha”。
　　“时间差Alpha”的生效逻辑讨论
　　跌幅时间重心偏离能更有效地刻画日内分钟收益率时序特征的选股因子。但我们对Alpha的逻辑解释仍然不清楚，于是，本章将从因子的层面探究其Alpha来源，推测主要有三种可能性：（1）收益率结构；（2）极端涨跌幅度or涨跌幅的分布位置；（3）A股市场的“低波效应”。
　　基于上述三个维度的讨论，我们找到了“时间差Alpha”的解释因子：（1）盘尾阶段的收益率；（2）零涨跌幅数量。中性化后的跌幅时间重心偏离因子几乎不具备选股能力，这也说明“时间差Alpha”是收益率结构和“低波效应”的综合。
　　因子增强方案：时间重心偏离（TGD）因子
　　因子改进思路较为简单，剥离可能影响“时间差Alpha”的干扰因子，在跌幅时间重心偏离因子的基础上改进得到时间重心偏离（TGD）因子。
　　TGD因子的有效性较原始因子大幅提升，全市场五分组下的多空信息比率达到4.5以上，Rank ICIR为4.93，因子收益较为稳定。
　　同样基于收益率结构的APM因子是TGD因子的Alpha子集。通过相互回归的方法证明，TGD因子在对APM因子中性化后仍然保留一定的选股信息，而APM因子在回归掉TGD因子后几乎是噪音。
　　时序特征因子与分布特征因子合成后效果更佳
　　TCD因子属于时间维度的综合信息，并不受收益率分布的影响，如果与收益率分布的典型因子进行合成，效果还会继续提升。
　　本文选取分布特征的典型因子：日内收益率偏度SKEW因子作为代表，将TCD因子与SKEW因子在横截面上排序加总得到合成因子。
　　合成因子相比TGD因子在稳定性方面进一步改善，Rank ICIR达到5.74。
　　风险提示：模型测试基于历史数据，未来市场可能发生改变。
　　

研究报告全文：金金融工程专题融工程2022年12月25日日内分钟收益率的时序特征逻辑讨论与因子增强研究金融工程研究团队市场微观结构研究系列19魏建榕首席分析师魏建榕分析师苏良联系人盛少成联系人证书编号S0790519120001weijianrongkyseccnsuliangkyseccnshengshaochengkyseccn证书编号S0790519120001证书编号S0790121070008证书编号S0790121070009张翔分析师跌幅时间重心偏离是更适合刻画时间差Alpha的指标证书编号S0790520110001涨跌幅在时间轴上的分布位置捕捉了股票的交易行为特征两者的相对位置也金可能蕴含某种选股信息融工傅开波分析师经过详细的测试我们倾向于认为涨跌幅时间重心的相对位置是一个有效的程证书编号S0790520090003Alpha因子但提取的方法并非是将二者简单做差原因有二专1涨跌时间重心存在较强的正相关线性相关导致时间差的大小取决题高鹏分析师于起始位置而这不符合一般定义时间差在盘初盘中或盘尾应是一致的证书编号S07905200900022涨跌时间重心的波动率水平存在差异作差方法用于构造时间差信息会使得因子暴露更多高波动成分涨幅时间重心因子因子有效性较弱苏俊豪分析师我们以跌幅时间重心对涨幅时间重心在截面上回归取残差再取其20日均值记证书编号S0790522020001为跌幅时间重心偏离因子该因子更适合用以刻画时间差Alpha时间差Alpha的生效逻辑讨论胡亮勇分析师跌幅时间重心偏离能更有效地刻画日内分钟收益率时序特征的选股因子但我们证书编号S0790522030001对Alpha的逻辑解释仍然不清楚于是本章将从因子的层面探究其Alpha来源推测主要有三种可能性1收益率结构2极端涨跌幅度or涨跌幅的分布开王志豪分析师位置3A股市场的低波效应源证书编号S0790522070003证基于上述三个维度的讨论我们找到了时间差Alpha的解释因子1盘尾券阶段的收益率2零涨跌幅数量中性化后的跌幅时间重心偏离因子几乎不具证盛少成研究员备选股能力这也说明时间差Alpha是收益率结构和低波效应的综合券证书编号S0790121070009研因子增强方案时间重心偏离TGD因子究报苏良研究员因子改进思路较为简单剥离可能影响时间差Alpha的干扰因子在跌幅时告证书编号S0790121070008间重心偏离因子的基础上改进得到时间重心偏离TGD因子TGD因子的有效性较原始因子大幅提升全市场五分组下的多空信息比率达到何申昊研究员45以上RankICIR为493因子收益较为稳定证书编号S0790122080094同样基于收益率结构的APM因子是TGD因子的Alpha子集通过相互回归的方法证明TGD因子在对APM因子中性化后仍然保留一定的选股信息而APM因子在回归掉TGD因子后几乎是噪音相关研究报告时序特征因子与分布特征因子合成后效果更佳高频因子分钟单笔金额序列中的TCD因子属于时间维度的综合信息并不受收益率分布的影响如果与收益率主力行为刻画市场微观结构研究系分布的典型因子进行合成效果还会继续提升列15-20220612本文选取分布特征的典型因子日内收益率偏度SKEW因子作为代表将TCD日内极端收益前后的反转特性与因因子与SKEW因子在横截面上排序加总得到合成因子子构建市场微观结构研究系列合成因子相比TGD因子在稳定性方面进一步改善RankICIR达到57417-20221203大小单重定标与资金流因子改进风险提示模型测试基于历史数据未来市场可能发生改变市场微观结构研究系列15-20220904请务必参阅正文后面的信息披露和法律声明124金融工程专题目录1时序特征跌幅时间重心偏离因子42时间差Alpha的生效逻辑探究921收益率结构对时间差的影响分析922极端样本对时间差Alpha的影响分析1223基于低波效应与事件收益维度的解释1524时间差Alpha的综合解释模型163时间差因子的选股方案设计1731时间重心偏离TCD因子构建1732因子相关性分析波动和价值风格暴露分别为023和0211833持仓风格分析整体偏向小票样本更有效2034基于多维度信息的因子合成214风险提示22图表目录图1日内收益率的时序特征涨跌幅的时间重心4图2截面上涨幅和跌幅的时间重心呈正相关5图3涨跌幅时间重心的截面相关系数分布5图4极端涨幅和极端跌幅的转换概率较高说明在时间轴上的分布距离较近5图5涨跌幅时间重心存在日间差异5图6时间差的分布样本越少差异越大5图7涨幅时间重心因子为正IC但效果较弱6图8跌幅时间重心因子RankIC为00536图9时间差所能提供信息增量有限7图10时间差剥离和Alpha信噪比明显降低7图11跌幅时间重心偏离因子RankIC为0054RankICIR接近307图12跌幅时间重心偏离因子RankIC累计值8图13跌幅时间重心偏离因子的相关网络图8图14跌幅时间重心偏离因子的Alpha独立于单个的时间重心8图15时间差与日内收益率正相关与隔夜收益率负相关9图16剔除日内隔夜收益率因子有效性改善10图17时间差Alpha增强多空IR达30110图18时间指标与隔夜日内累计收益率的相关系数10图19时段10931-1000涨跌幅分组单调性11图20时段21001-1030涨跌幅分组单调性11图21时段31031-1100涨跌幅分组单调性11图22时段41101-1130涨跌幅分组单调性11图23时段51301-1330涨跌幅分组单调性11图24时段61331-1400涨跌幅分组单调性11图25时段71401-1430涨跌幅分组单调性11图26时段81431-1500涨跌幅分组单调性11图27剔除盘尾阶段收益率后因子有效性降低12图28时间差Alpha减弱RankICIR降至2312请务必参阅正文后面的信息披露和法律声明224金融工程专题图29极端样本的反转效应会对因子产生干扰13图30残差RankIC分布极端反转影响Alpha收益13图31剔除极端收益率后时间指标的有效性变化13图32跌幅时间重心偏离因子多空收益提升至17913图33时间差因子Alpha来源与位置特征14图34回归涨跌幅时间中心后因子效果减弱14图35剔除时间中心后时间指标的有效性变化14图36跌幅时间重心偏离因子的多空收益降低至12514图37零涨幅数量为弱有效的正向因子RankICIR为1223多空IR为08815图38剥离零涨跌幅或极端事件收益Alpha减弱15图39极端事件的收益率统计当日触涨属于利好15图40时间差Alpha的收益来源收益率结构与低波效应17图41TGD因子月度RankIC及其累计值18图42全市场五分组表现多空收益稳健18图43TGD因子与Barra风格因子相关性低19图44TGD因子与APM因子相关性较高19图45剥离Barra风格因子收益后TGD因子多空信息比率仍有37719图46TGD因子的日历效应整体收益稳定10月份稍弱一些19图47TGD因子的多空对冲净值曲线在全样本上表现更好20图48持仓100市值风格整体偏向小票20图49TGD因子换手率相对中等单笔换仓近4020图50合成因子月度RankIC及其累计值21图51合成因子五分组表现多空IR为44521图52合成因子的日历效应稳定性相比TGD因子更强21表1两类时间重心因子以及时间差时间距离因子的构造步骤6表2极端事件对时间差Alpha的影响16表3时间差Alpha的解释因子17表4TGD因子的计算步骤18表5不同选股域内五分组测试表现全样本范围更有效20表6不同选股域内五分组测试表现合成因子在沪深300内多头仍有超额21请务必参阅正文后面的信息披露和法律声明324金融工程专题在2022年6月我们曾创新性构建了分钟单笔成交金额指标从分布特征和时序特征维度开发出捕捉主力行为特征的高频因子诸如QUAMTS和MTE等因子在样本内外的表现均十分优异在这一研究框架的基础上本文将继续挖掘和探究更有效的高频信号不妨让我们把关注点集中于分钟收益率的时序特征时间维度的信息会更加复杂和难以解释而分钟收益率的时间戳与时间差的Alpha也早已被市场发现但目前为止还没有研究能阐明其生效逻辑于是我们希望在本篇报告中解决两个关键问题1什么是时间因子的Alpha解释2如何改进因子使其变得更好1时序特征跌幅时间重心偏离因子为了观察收益率的时序特征我们将重新标注日内分钟时间戳将0931至1500间的240根分钟Bar依次标记为1至240然后分别统计价格上涨和价格下跌两组分钟Bar的时间标识序列记作和对应的收益率序列为和11221122其中和分别表示第涨幅分钟的时间序号及收益率和同理1而1由于不考虑分钟涨跌幅为零的序列240图1日内收益率的时序特征涨跌幅的时间重心资料来源开源证券研究所图1展示了股票A在某日的分钟涨跌幅序列涨幅较高和跌幅较大的分钟往往会靠得比较近并呈现出一定的日内结构股价在开盘半小时至一小时内变动幅度最大我们以每分钟价格变动幅度对修正的时间戳加权平均分别求得涨幅和跌幅的时间分布重心记作和11我们统计某个交易日的截面上所有股票的涨跌幅的时间重心的相关性二者呈现出强正相关相关系数可达07结果如图2和图3所示请务必参阅正文后面的信息披露和法律声明424金融工程专题图2截面上涨幅和跌幅的时间重心呈正相关图3涨跌幅时间重心的截面相关系数分布数据来源Wind开源证券研究所数据来源Wind开源证券研究所涨跌幅时间重心之间的强相关性与A股市场整体上偏向于反转属性有关当出现极端涨幅或跌幅的分钟通常会在较短时间内出现幅度相当方向相反的价格变动我们将距离的讨论转化为概率矩阵以5分钟为测试的周期将涨跌幅由小到大分成10组样本并统计相邻时段出现极端涨跌幅的概率结果如图4所示图4极端涨幅和极端跌幅的转换概率较高说明在时间轴上的分布距离较近数据来源Wind开源证券研究所涨跌幅时间重心反映了股价在日内交易中上涨和下跌的位置此外还可以定义两个时间重心的差值和绝对差值分别作为涨跌幅分布的时间差指标和时间距离指标定义为和我们统计了涨跌幅时间重心以及时间差的分布情况如图5和图6所示图5涨跌幅时间重心存在日间差异图6时间差的分布样本越少差异越大数据来源Wind开源证券研究所数据来源Wind开源证券研究所请务必参阅正文后面的信息披露和法律声明524金融工程专题图5和图6分别展示了涨跌幅时间重心以及时间差的分布不同交易日的涨跌幅时间重心具有同向差异性而相同股票的和的分布基本一致没有表现明显的结构性特征若由大到小选取一定数量的涨跌幅样本计算各自时间重心其时间差随着样本数量的减少而逐渐发散极端样本涨跌时间重心的离散度相比全部样本会更高一些涨跌幅在时间轴上的分布位置捕捉了股票的交易行为特征两者的相对位置也可能蕴含某种选股信息于是笔者选取涨幅时间重心跌幅时间重心以及时间差信息时间距离信息并计算上述指标在过去20个交易日的均值作为选股因子具体的构造方法如表1所示表1两类时间重心因子以及时间差时间距离因子的构造步骤顺序计算方法基于个股上涨和下跌的1分钟收益率序列逐日统计幅度和时间信息记为第一步上涨幅度和时间下跌幅度和时间分别计算如下日频指标涨幅时间重心1第二步跌幅时间重心1时间差时间距离回溯过去一段时间对日频指标进行平滑处理得到相应的选股因子1第三步1其中和分别表示因子暴露和日频指标20资料来源开源证券研究所我们以20个交易日为调仓周期在全市场上分十组观测选股效果暂时不考虑交易费率的影响图7和图8分别展示涨幅时间重心因子和跌幅时间重心因子的表现其中跌幅时间重心因子有效性明显更高而尽管涨幅和跌幅二者时间差因子的多空信息比率最高但其RankIC仅为002明显弱于跌幅时间重心因子图7涨幅时间重心因子为正IC但效果较弱图8跌幅时间重心因子RankIC为0053数据来源Wind开源证券研究所数据来源Wind开源证券研究所时间差因子的稳定性没有显著提升时间距离信息则是最弱图9请务必参阅正文后面的信息披露和法律声明624金融工程专题图9时间差所能提供信息增量有限图10时间差剥离和Alpha信噪比明显降低数据来源Wind开源证券研究所测试区间为20130104-20220315数据来源Wind开源证券研究所时间差因子回归涨跌幅时间重心因子多空收益出现明显滑落大部分Alpha都能够被单个时间重心的信息解释图10从整体上看时间差的解释能力与涨跌幅时间重心因子明显重合实际的因子收益是由单个的时间重心因子贡献因此时间差并没有给我们提供更多的信息经过详细的测试我们倾向于认为涨跌幅时间重心的相对位置是一个有效的Alpha因子但提取的方法并非是将二者简单做差截面回归的方法会更好我们以跌幅时间重心作为被解释变量对涨幅时间重心回归取残差取其20日均值作为选股因子记为跌幅时间重心偏离因子图11展示了该因子的五分组效果图11跌幅时间重心偏离因子RankIC为0054RankICIR接近30数据来源Wind开源证券研究所测试结果表明跌幅时间重心偏离因子多头年化收益率为212多空信息比率为239RankIC和RankICIR分别为0054和299跌幅时间重心偏离因子是刻画分钟时序特征更有效的指标而且因子的稳定性相比原始时间差因子更高进一步我们测算了跌幅时间重心偏离因子的相关性结果如图13所示请务必参阅正文后面的信息披露和法律声明724金融工程专题图12跌幅时间重心偏离因子RankIC累计值图13跌幅时间重心偏离因子的相关网络图数据来源Wind开源证券研究所数据来源Wind开源证券研究所跌幅时间重心偏离因子暴露最多的前三个风格特征分别是价值因子波动率因子和动量因子相关系数分别为0279-0256和-0141该因子与我们跟踪的交易行为因子重叠度不高其中APM因子的解释能力稍强一些0182若是剔除上述因子收益RankICIR仍然有229其Alpha来源相对独立单个的时间重心是跌幅时间重心偏离的Alpha子集我们将跌幅时间重心偏离因子依次回归涨跌幅时间重心因子结果发现虽然时间差Alpha有一定程度衰减但残差仍然具备对未来收益的解释能力若是相反地分别将单个的时间重心对跌幅时间重心偏离中性化剩余部分则是没有选股信息的噪音图14图14跌幅时间重心偏离因子的Alpha独立于单个的时间重心数据来源Wind开源证券研究所测试区间20130104-20220315回归方法相当于寻找到某个基准维度计算目标变量在这一维度的投影朴素含义的理解可以是跌幅时间重心相对于涨幅时间重心的偏离而作差的方法并不适合用于刻画时间差Alpha主要有以下两个原因1涨跌时间重心存在较强的正相关线性相关导致时间差的大小取决于起始位置而这不符合一般定义时间差在盘初盘中或盘尾应是一致的2涨跌时间重心的波动率水平存在差异作差方法用于构造时间差信息会使得因子暴露更多高波动成分涨幅时间重心因子有效性不会理想综上我们得到比较明确的结论日内分钟收益率的时序特征利用回归方法得到的跌幅时间重心偏离更适合用于刻画时间差Alpha请务必参阅正文后面的信息披露和法律声明824金融工程专题2时间差Alpha的生效逻辑探究跌幅时间重心偏离能更有效地刻画日内分钟收益率时序特征的选股因子但我们对Alpha的逻辑解释仍然比较迷惑于是本章将从因子的层面探究其Alpha来源推测主要有以下可能性1收益率结构日内收益率与隔夜收益率分别具有反转与动量特性时间差Alpha是否为两者的有机组合本文分别讨论隔夜收益率和日内收益率对于时间差的影响效果以及更加细化地讨论日内分时段的差异2极端涨跌幅度or涨跌幅的分布位置时间重心因子的核心Alpha是极端收益幅度还是涨跌幅的位置信息贡献收益本文将其拆分为平均涨跌幅和时间中心两个部件分别探测不同部件对因子选股信息的贡献程度3低波效应考虑时间差产生的原因有可能与日内零涨幅的分钟样本数量有关底层的交易行为逻辑来自A股市场中较为显著的低波效应我们可将其定量化为选股指标观察其是否能用于解释时间差Alpha的规律本章将集中讨论本文的第一个关键问题哪些属于时间差Alpha的解释因子而哪些是干扰因子这将有助于我们理解因子的生效逻辑21收益率结构对时间差的影响分析涨跌幅的位置信息与股票的收益率结构相关涨幅时间重心与隔夜和日内的收益率相关系数为-0052和-0168跌幅时间重心则相应为0014和-0132为更加明确二者的关系我们分别按照涨跌幅由低到高的顺序对日内收益率和隔夜收益率分组观察时间重心以及时间差的单调性如图15所示图15时间差与日内收益率正相关与隔夜收益率负相关数据来源Wind开源证券研究所涨跌幅时间重心在收益结构上的暴露程度不同由图15可见涨幅的分布位置与日内收益率负相关而跌幅与日内收益率的关联性较弱隔夜收益率与涨跌幅时间重心的变化规律并非是单调的隔夜收益率的绝对值越高涨跌幅时间重心也越靠前盘初更容易出现集中上涨或者下跌的行情收益率结构对于时间差Alpha的影响呈现出如下规律日内收益率负IC正相关负贡献隔夜收益率正IC负相关负贡献请务必参阅正文后面的信息披露和法律声明924金融工程专题无论是日内收益率或是隔夜收益率对于时间差Alpha均是干扰因素若我们对其进行中性化处理因子效果非但不会降低反而会提升笔者对涨跌幅时间重心分别建模通过截面回归的方法保留残差项以剔除收益率结构的影响基于回归得到的残差项和再继续提取时间差Alpha取残差在过去20个交易日的均值表示剥离后的时间差Alpha图16展示了时间重心和时间差在中性化前后的有效性变化情况图17为处理后的跌幅时间重心偏离因子十分组效果结果与预期一致时间差因子的效果有所提升图16剔除日内隔夜收益率因子有效性改善图17时间差Alpha增强多空IR达301数据来源Wind开源证券研究所测试区间20130104-20220315数据来源Wind开源证券研究所隔夜收益率和日内收益率对跌幅时间重心偏离因子的解释作用不显著仅仅会干扰时间差因子的有效性但统计结果告诉我们收益率结构中大概率有解释时间差Alpha的成分我们不妨再做一些更加细化的研究图18分别展示了隔夜收益率和日内累计收益率与时间差等指标的在不同交易日截面的相关性图18时间指标与隔夜日内累计收益率的相关系数数据来源Wind开源证券研究所测试区间20130104-20220315右侧的曲线反映了时间指标与日内累计收益的相关性水平的变化规律涨幅时间重心的暴露程度较高并且相关性在1030达到峰值也即开盘后约1小时的收益率越高涨幅时间重心也越靠前随后二者的相关性水平逐渐减弱请务必参阅正文后面的信息披露和法律声明1024金融工程专题进一步笔者将日内收益率拆分成8段每半个小时为一小段区间然后统计每段小区间的收益率与时间差等指标的单调性变化规律测试区间保持一致图19时段10931-1000涨跌幅分组单调性图20时段21001-1030涨跌幅分组单调性数据来源Wind开源证券研究所数据来源Wind开源证券研究所图21时段31031-1100涨跌幅分组单调性图22时段41101-1130涨跌幅分组单调性数据来源Wind开源证券研究所数据来源Wind开源证券研究所图23时段51301-1330涨跌幅分组单调性图24时段61331-1400涨跌幅分组单调性数据来源Wind开源证券研究所数据来源Wind开源证券研究所图25时段71401-1430涨跌幅分组单调性图26时段81431-1500涨跌幅分组单调性数据来源Wind开源证券研究所数据来源Wind开源证券研究所请务必参阅正文后面的信息披露和法律声明1124金融工程专题由图19到图26我们可以总结出如下规律时间差与盘初时段例如时段1时段2的收益率正相关而与盘尾时段时段7时段8的收益率负相关因而日内收益结构对于时间差Alpha并非始终如一盘初阶段收益率会干扰跌幅时间重心偏离因子的有效性盘尾阶段则能够解释时间差的有因子收益正贡献我们将涨跌幅时间重心分别回归日内尾盘时段的收益率观察剥离掉收益率影响后两类时间重心因子有效性是否改变进一步构造时间差Alpha的解释模型对于涨跌幅时间重心的中性化处理分别设为如下形式77887788再在残差项和的基础上通过回归方法得到时间差Alpha图27剔除盘尾阶段收益率后因子有效性降低图28时间差Alpha减弱RankICIR降至23数据来源Wind开源证券研究所测试区间20130104-20220315数据来源Wind开源证券研究所剔除掉日内收益率结构的影响涨幅时间重心因子和跌幅时间重心因子的有效性均有所增强图27说明暴露会影响一定的因子收益而回归掉日内收益率的暴露因子的预测能力也随之降低这样也证实时间差Alpha的收益部分源于此于是我们分别找到了时间差Alpha的解释因子和干扰因子解释因子盘尾阶段收益率例如时段7和时段8的涨跌幅干扰因子盘初阶段收益率例如时段1和时段2的涨跌幅22极端样本对时间差Alpha的影响分析时间重心是由涨跌幅加权计算的平均时间戳由此会受到两个变量的影响一是涨跌幅分钟在时间轴上的分布位置二是用以加权平均的权重也即分钟样本的价格变动幅度为了观察以上两个指标对因子的影响笔者用时间中心和平均涨跌幅来分别表示上述指标假设极端涨跌的分钟往往具备更多的信息而这在日内分钟收益率的分布特征规律上可以被证明根据我们在日内极端收益前后的反转特性与因子构造这一篇报告中得到的实证结果极端涨跌幅的反转效应会表现得更强并且在时间轴相近位置的涨跌幅也是较强的负向选股因子于是笔者将指标的计算方法设为1分别将涨幅和跌幅的分钟样本按照价格变动幅度由大到小排序2选取靠前的N根分钟Bar用以计算极端涨跌幅和时间中心其中极端请务必参阅正文后面的信息披露和法律声明1224金融工程专题涨幅和极端跌幅分别为涨幅和跌幅的价格变化幅度均值时间中心为对应分钟样本时间戳的中位数极端的分钟样本是否贡献了因子的主要收益为了验证猜想笔者将跌幅时间重心偏离因子分别回归掉由前N个分钟样本计算得到的平均涨幅和平均跌幅观察残差项的选股能力以及随着被剥离样本数增大的有效性变化规律图29极端样本的反转效应会对因子产生干扰图30残差RankIC分布极端反转影响Alpha收益数据来源Wind开源证券研究所数据来源Wind开源证券研究所图29展示了第一步测算的结果极端涨跌幅的反转效应会导致时间差Alpha的有效性降低也即对于时间差Alpha而言极端收益率属于干扰因子因此设置如下回归模型以剥离极端收益率的影响其中和分别表示涨跌幅较大的17根分钟Bar的平均涨幅和平均跌幅图31剔除极端收益率后时间指标的有效性变化图32跌幅时间重心偏离因子多空收益提升至179数据来源Wind开源证券研究所数据来源Wind开源证券研究所图31和图32的测试结论支持干扰因子的判断若我们单纯考虑收益率的时间分布容易受到极端收益率样本影响此外涨幅时间重心因子受其影响程度要大于跌幅时间重心这可能也与跌幅时间重心对收益率分布特征的暴露较小有关另一方面考虑涨跌幅本身的位置信息大概率也会解释时间差Alpha笔者采取相同的测试方法来剔除极端样本的收益贡献结果如图33所示请务必参阅正文后面的信息披露和法律声明1324金融工程专题图33时间差因子Alpha来源与位置特征图34回归涨跌幅时间中心后因子效果减弱数据来源Wind开源证券研究所数据来源Wind开源证券研究所图33展示了第二步测算的结果涨跌分钟的位置信息的影响相比极端涨跌幅更显著在依次回归掉前N样本的位置信息后因子Alpha出现较快衰减并最终稳定在一定水平因而涨跌幅的时间中心属于解释因子进一步设置如下回归模型以剥离涨跌幅位置信息其中和分别表示全部涨幅与全部跌幅的时间戳中位数图35剔除时间中心后时间指标的有效性变化图36跌幅时间重心偏离因子的多空收益降低至125数据来源Wind开源证券研究所数据来源Wind开源证券研究所回归掉涨跌幅时间戳的位置信息后时间差因子有效性降低图35结合第一步测试得到的基本结论我们能够得到初步的判断时间差Alpha与收益率分布特征的Alpha之间相互独立且收益相反极端涨跌幅对于时间差信息而言是干扰在回归掉极端涨跌幅后因子的有效性提升而后缓慢衰减整体来看因子的Alpha收益来源并不是极端收益率本身的幅度而还是来源于涨跌幅的位置信息相似地我们得到了时间差Alpha的解释因子和干扰因子解释因子极端收益率样本的时间中心干扰因子极端收益率样本的平均涨幅和平均跌幅请务必参阅正文后面的信息披露和法律声明1424金融工程专题23基于低波效应与事件收益维度的解释我们在前文讨论中仅使用了上涨和下跌的分钟样本但实际上日内还有一部分分钟Bar的涨跌幅为零而这也包含了某种信息笔者计算股票在过去20个交易日中平均每天的零涨跌幅分钟数量在全市场上测试分组效果如图37所示图37零涨幅数量为弱有效的正向因子RankICIR为1223多空IR为088数据来源Wind开源证券研究所零涨跌幅数量因子的RankIC为0046RankICIR为122尽管该因子的选股能力较弱但对于时间差Alpha而言同样具备解释能力若将跌幅时间重心偏离因子回归零涨跌幅数量因子我们观察到多空收益从176降低至1378多空净值曲线如图38所示零涨跌幅数量与A股的低波效应相关考虑零涨跌幅分钟的形成原因主要有自然因素和人为因素两种自然因素个股的成交活跃度低或是市值等风格特征导致价格变动较小人为因素当股票价格盘中曾触及涨停价或跌停价时日内收益率序列会记录有连续的零涨跌幅分钟样本由图39我们可以直观看出股票在盘中触及涨停价在未来一段时间内仍然保留一定程度的动量特征在触涨样本触跌样本以及全样本中的未来收益率最高图38剥离零涨跌幅或极端事件收益Alpha减弱图39极端事件的收益率统计当日触涨属于利好数据来源Wind开源证券研究所数据来源Wind开源证券研究所测试区间20130104-20220315笔者利用股票是否在盘中触及涨跌停作为0-1变量对计算涨跌幅时间重心因子请务必参阅正文后面的信息披露和法律声明1524金融工程专题的日频指标进行分类若发生极端事件则在回溯过去20日均值计算月频因子的时候将当天的相应指标赋为空值分别测试极端收益率对时间指标因子的有效性影响程度结果如表2所示表2极端事件对时间差Alpha的影响因子样本操作RankICRankICIR多空收益多空IR全样本00531821610198剔除触涨0041401067140跌幅时间重心剔除触跌00531891590212全剔除0038137970144全样本0037126818099剔除触涨0026088492066涨幅时间重心剔除触跌0024084502072全剔除0024084502072全样本00543001474239时间差剔除触涨00432101338218跌幅时间重心剔除触跌00553131526253偏离全剔除00432091247208数据来源Wind开源证券研究所测试区间20130104-20220315与极端事件的收益统计结果一致盘中触及涨跌停的信号对于时间差Alpha而言具有较强的解释能力跌幅时间重心在剥离这一事件收益后因子收益出现了较为明显的下降而涨幅时间重心因子对于触涨和触跌均有一定程度的暴露这也说明涨跌幅对于极端事件的敏感度是不同的整体上看极端事件对时间差Alpha的影响同样不容忽视我们也发现了时间差Alpha的解释因子和事件收益的控制变量解释因子零涨跌幅数量控制变量盘中是否触及涨跌停24时间差Alpha的综合解释模型基于前面章节的讨论我们找到了时间差Alpha的解释因子和干扰因子对于日内收益率的时序特征有了更为明确的认知1时间差Alpha为时间维度的信息与收益率的分布特征相关性较低极端收益率对于因子的影响是负面的进一步证明二者的收益来源有所不同2收益率结构对于时间差因子既有干扰的成分也有解释的成分但整体上表现为干扰作用剥离盘初收益率能够有效提升因子的稳定性而剥离盘尾收益率则使得时间差Alpha预测能力降低3股票的某些交易属性可能也会贡献因子收益例如交易活跃度偏低或是盘中触及涨跌停等会造成日内录得较多的零涨跌幅分钟样本从因子层面亦能解释一部分的时间差因子收益进一步笔者将上述能够解释时间差Alpha的成分综合到一起观察是否足够解释时间差Alpha的收益来源表3列出了通过本章实证发现的三个解释因子及其请务必参阅正文后面的信息披露和法律声明1624金融工程专题计算说明盘中是否触及涨跌停可能会影响时间差的选股能力我们将其作为滤波器来过滤极端事件涨停跌停的信号表3时间差Alpha的解释因子因子名称计算说明解释因子A时段71401-1430的涨跌幅解释因子B时段81431-1500的涨跌幅解释因子C日内零涨跌幅分钟的数量控制变量盘中是否触及涨跌停若是则时间差信号取空若否则不处理资料来源开源证券研究所图38展示了逐步剔除解释因子后时间差Alpha的剩余解释能力若我们将所有解释因子和极端事件影响剔除最终得到的是近似噪音的信号图40时间差Alpha的收益来源收益率结构与低波效应数据来源Wind开源证券研究所测试区间20130104-20220315综上经过我们的测试时间差Alpha并非具有独立的Alpha源其真正的来源也基本确定主要包括股票的收益率结构和低波效应的交易特征而极端事件也会贡献部分收益3时间差因子的选股方案设计31时间重心偏离TCD因子构建我们在分析时间指标与收益率结构的关系时发现日内涨跌幅尤其是盘尾阶段的涨跌幅对于时间差Alpha有较强的解释能力而盘初阶段的涨跌幅会带来负向干扰此外诸如极端涨跌幅样本的平均涨幅和平均跌幅越高同样也会降低因子的有效性简单归纳一下影响因素主要有两个方面1收益率结构时段1和时段2的收益率隔夜收益率2极端收益率的反转效应平均涨幅平均跌幅于是笔者考虑将这些干扰因素剥离增强时间差因子的有效性基于前文讨论和分析的内容在跌幅时间重心偏离指标的基础上构造时间重心偏离TGD因子具体的计算步骤如表4所示请务必参阅正文后面的信息披露和法律声明1724金融工程专题表4TGD因子的计算步骤顺序计算方法逐日计算个股的涨幅时间重心和跌幅时间重心并统计以下指标平均涨幅平均跌幅第一步时段10931-1000的涨跌幅1时段21001-1030的涨跌幅2隔夜涨跌幅将涨跌幅的时间重心单独剥离干扰因子第二步1212通过截面回归方法构造时间差指标并取其20日均值作为因子第三步11资料来源开源证券研究所在全市场范围内将TGD因子分五组测试其有效性图41展示了因子的RankIC及其累计值图42为该因子的五分组净值图图41TGD因子月度RankIC及其累计值图42全市场五分组表现多空收益稳健数据来源Wind开源证券研究所数据来源Wind开源证券研究所TGD因子整体上来看是非常稳定的选股因子五分组下的多头年化收益率可达245并且多空Alpha收益分布均匀32因子相关性分析波动和价值风格暴露分别为023和021因子相关性层面我们分别测试了TGD因子与交易行为因子和Barra风格因子的相关性结果如图43和图44所示该因子与我们跟踪的交易行为因子重叠度不高除了以收益率结构为特征挖掘的APM因子相关性稍高一些037这也一定程度说明了TGD因子的Alpha源自收益率结构等交易行为特征但TGD因子的综合收益表现相比APM因子更高笔者通过中性化方法当TGD因子对APM因子进行中性化残差因子的多空IR仍然有234而相反的处理得到的则是近似噪音的成分请务必参阅正文后面的信息披露和法律声明1824金融工程专题图43TGD因子与Barra风格因子相关性低图44TGD因子与APM因子相关性较高数据来源Wind开源证券研究所测试区间20130104-20220315数据来源Wind开源证券研究所测试区间20130104-20220315若是剔除掉其他因子的影响TGD因子的表现如何在扣减Barra风格因子的收益之后TGD因子的多头分组能力依旧显著多空年化收益为138多空信息比率仍然保持377的较高水平图45剥离Barra风格因子收益后TGD因子多空信息比率仍有377数据来源Wind开源证券研究所我们再来观察因子的月度收益表现图46展示了TGD因子在全市场五分组下的多空收益表内的数值为对应月份多空收益的年化值可以看出TGD因子在10月份表现会偏弱一些而其他月份的收益率相对而言比较均匀整体的因子的收益和稳定性都比较高图46TGD因子的日历效应整体收益稳定10月份稍弱一些年份1月2月3月4月5月6月7月8月9月10月11月12月2013320977-093-3782009-11423656170759352816195410612014466605326008192578848466192051941140197830412015992221922426678292311245647723675526-785202711762016944-3131900-150139048156142685295198749041698201723351787259830607324536102322642920-787215116622018190316131732246810503645676525831918-09426181356201914921314388738272952900516-1194-950226222956172020123813723027997-666108372169551667634596133520211603300914002523-11873414214825102404-20316111899202230121192647正回报月数1099778988599总月数101010999999999胜率1009090787889100898956100100月均收益14311922199422051309267038422311306346027221427数据来源Wind开源证券研究所请务必参阅正文后面的信息披露和法律声明1924金融工程专题33持仓风格分析整体偏向小票样本更有效我们基于TGD因子测算在不同选股域内的表现选取沪深300中证500中证1000等宽基成分股作为选股样本进行测试在测算多头的超额收益率时设定买卖费率为5测试区间为20130104至20220315超额基准设为对应的宽基指数全样本的基准为万得全A指数表5不同选股域内五分组测试表现全样本范围更有效选股域RankICRankICIR月度胜率多空收益多头超额沪深300004519163391410076中证500005430865181470309中证1000006445177782069403全样本006749481252135519数据来源Wind开源证券研究所中证1000范围的测试区间为20141104-20220315在不同选股域内的五分组测试TGD因子的多空净值曲线如图47所示图47TGD因子的多空对冲净值曲线在全样本上表现更好ss数据来源Wind开源证券研究所笔者截取了20220311当天的因子信号并测算因子多头持仓的100只股票与沪深300中证1000等宽基指数成分股的市值分布差异结果如图48所示图48持仓100市值风格整体偏向小票图49TGD因子换手率相对中等单笔换仓近40数据来源Wind开源证券研究所数据来源Wind开源证券研究所请务必参阅正文后面的信息披露和法律声明2024