投资要点
　　现如今，大量投资组合均在其Alpha模型中加入由日内数据所构建的选股指标或信息。然而，常见的风险模型大多以基本面指标作为主要的风险因子，难以对加入高频信息的资产组合风险进行衡量、分析与应用。本文的核心目标是以加入高频信息的资产作为对象构建风险模型，并加以分析与应用。
　　在结构化高频风险模型的构建上，我们以兴证金工高频因子作为资产，从自上而下和自下而上两个角度出发，构建了基本面高频风险因子以及统计风险因子，并由此构建结构化高频风险模型：高频风险因子符合风险因子的基本特征，且与Barra风险因子的相关性较低，高频风险模型的解释力度相对于Barra风险模型更强。
　　在结构化高频风险模型的应用上，我们基于高频风险模型估计高频因子多头或多空组合的协方差矩阵，进而通过最大化组合夏普的方式构建高频复合因子：在与基于Barra构建的复合因子的比较上，基于高频风险模型构建的复合因子表现明显更为优秀，全市场Top组年化收益率接近50%，基准方法年化收益率为38.5%，因子多空组合夏普比率为8.08；因子在不同股票池内分位数均严格单调。
　　最后，我们测试高频复合因子在中证1000指数增强上的应用：在常规中证1000指数增强策略加入高频因子后，策略在不同约束条件上表现均得到明显提升；加入高频后中证1000指数增强策略在扣费下年化超额收益率为20%，且近年来表现更为优秀。
　　风险提示：模型结果基于历史数据的测算，在市场环境转变时模型存在失效的风险。

研究报告全文：定量研证券研究报告究分析师title郑兆磊zhengzhaoleixyzqcomcnS0190520080006高频研究系列七高频风险模型构建与应用assAuthor专createTime12023年10月25日题报报告关键点投资要点告summary本文的核心目标是以加入高频现如今大量投资组合均在其Alpha模型中加入由日内数据所构建的选股指信息的资产作为对象构建风险标或信息然而常见的风险模型大多以基本面指标作为主要的风险因子难模型并加以分析与应用在风险模型的构建上我们以高频因以对加入高频信息的资产组合风险进行衡量分析与应用本文的核心目标子作为资产从自上而下和自下是以加入高频信息的资产作为对象构建风险模型并加以分析与应用而上两个角度出发构建结构化高频风险模型在高频风险模型在结构化高频风险模型的构建上我们以兴证金工高频因子作为资产从自的应用上我们基于高频风险模上而下和自下而上两个角度出发构建了基本面高频风险因子以及统计风险型估计高频因子协方差矩阵进而通过优化方式构建高频复合因子并由此构建结构化高频风险模型高频风险因子符合风险因子的基本因子复合因子在单因子IC测特征且与Barra风险因子的相关性较低高频风险模型的解释力度相对于试组合测试与增强策略上表现Barra风险模型更强优秀在结构化高频风险模型的应用上我们基于高频风险模型估计高频因子多头或多空组合的协方差矩阵进而通过最大化组合夏普的方式构建高频复合因relatedReport相关报告子在与基于Barra构建的复合因子的比较上基于高频风险模型构建的复合高频漫谈2022-01-04因子表现明显更为优秀全市场Top组年化收益率接近50基准方法年化高频研究系列二收益率分收益率为385因子多空组合夏普比率为808因子在不同股票池内分位数布因子构建2022-01-23高频研究系列三收益率分均严格单调布中的Alpha22022-05-04高频研究系列四成交量分最后我们测试高频复合因子在中证1000指数增强上的应用在常规中证布中的Alpha2022-08-291000指数增强策略加入高频因子后策略在不同约束条件上表现均得到明显高频研究系列五市场微观提升加入高频后中证指数增强策略在扣费下年化超额收益率为结构剖析2022-11-09100020高频研究系列六时序信息中且近年来表现更为优秀的Alpha2023-06-29核心表加入高频因子后的中证1000指数增强策略表现统计年化收益率年化波动率收益风险比收益回撤比策略净值12482155058037基准净值-7122304-031-012相对净值2043610335346资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理注回测时间为2015年底至2023年9月风险提示模型结果基于历史数据的测算在市场环境转变时模型存在失效的风险请务必阅读正文之后的信息披露和重要声明定量研究专题报告目录1高频风险模型是什么为什么怎么做-4-11结构化风险模型的定义与意义-4-12高频风险模型以高频因子组合作为分析对象-6-13高频风险模型符号说明-6-14本文结构说明-8-2高频风险模型的构建-8-21高频基本面风险因子构建-8-22高频统计风险因子构建-11-3高频风险模型有效性检验-12-31高频风险因子有效性检验-12-32高频风险模型解释力度测试-14-4高频风险模型应用-15-41高频因子组合的协方差矩阵估计与最优化-16-42高频复合因子表现测试-17-43高频复合因子对中证1000增强策略的提升-18-5总结-21-参考文献-22-请务必阅读正文之后的信息披露和重要声明-2-定量研究专题报告图目录图1本文研究框架-8-图2理想的Alpha因子的预测收益能力-13-图3理想的风险因子的预测收益能力-13-图4RTN20D因子周度调仓下IC移动均线过去12周-13-图5BarraMomentum风险因子周度调仓下IC移动均线过去12周-14-图6momrisk高频风险因子周度调仓下IC移动均线过去12周-14-图7高频风险因子自身相关性分析-14-图8高频风险因子与Barra风险因子相关性分析-14-图9基于高频因子多头与空头组合的横截面回归2移动均值-15-图10高频复合因子周度IC测试结果IC均值-17-图11高频复合因子周度IC测试结果ICIR-17-图12高频复合因子全市场周度十分位数组合测试结果-18-图13高频复合因子不同股票池内周度五分位数组合测试结果-18-图14中证1000指数增强策略年化超额收益率个股权重约束05-20-图15中证1000指数增强策略年化超额收益率个股权重约束01-20-图16加入高频因子后的中证1000指数增强策略净值-20-图17加入高频因子后的中证1000指数增强策略相对净值分年度表现-21-表目录表1本文中组合收益率设定说明-7-表2高频基本面风险因子-9-表3中证1000指数增强因子列表-19-表4加入高频因子后的中证1000指数增强策略表现统计-20-请务必阅读正文之后的信息披露和重要声明-3-定量研究专题报告报告正文1高频风险模型是什么为什么怎么做11结构化风险模型的定义与意义多因子模型一般定义为11其中表示类型资产在期的收益率向量设类型资产共有只截面均值为0是期个因子收益率组成的均值为0的向量是1期大小为的因子载荷矩阵是期类型资产的特异性收益率假设的协方差矩阵是对角阵截面均值为0由于1期因子载荷能对未来期的资产横截面收益率有预测能力为了获取超额收益学界与业界前仆后继地发现了成百上千个有效因子除了对超额收益的不断追求外许多学者也发现因子对于资产收益率的协方差矩阵也有预测效力根据11式由此处省略时间下标假设截面均值为0可以得到12表示类型资产收益率的协方差矩阵表示对应因子收益率与特异性收益率的协方差矩阵在12式中除了因子暴露矩阵已知外因子协方差矩阵和个股特质性收益率的协方差矩阵均估计且估计的准确性取决于等式右侧估计的准确性因此存在特定因子能够解释资产收益率的协方差矩阵的运动我们把这类对于资产协方差矩阵有解释效力的因子称为风险因子12式对应的多因子模型称为风险因子模型结合11式与12式来看似乎解释波动率的风险因子与解释收益的因子是一模一样的但风险因子在预测作用上的用处与解释收益的Alpha因子不尽相同1Alpha因子和风险因子对于协方差矩阵的解释力度不一致存在某类特异性极强的Alpha因子它们能解释横截面资产收益率的差异但不能解释资产收益率协方差的运动这类因子的因子收益率协方差矩阵可能是对角阵110130此时的非对角元素就不再严格为0资产协方差矩阵的估计将出现较大误差为了得到对资产协方差更精准的解释实践上可以采用结构化的方法重新刻请务必阅读正文之后的信息披露和重要声明-4-定量研究专题报告画12式结构化风险模型的本质是重新选取适合作为风险因子纳入风险模型且风险因子的个数小于资产个数以满足可解释性或普适性2结构化风险模型可以提高对于资产协方差估计的准确性在估计协方差矩阵时我们通常需要回望过去一段时间当协方差矩阵的样本数为时若因子数量那么样本协方差矩阵是奇异矩阵114111因为0所以只有1列相互独立11那么11511所以是奇异矩阵当是奇异矩阵时不一1定存在基于计算的均值-方差优化模型最大夏普优化模型等无法求出可行解当样本数接近于因子数时估计误差增大得非常快因此结构化的风险模型通常需要使用较少的因子个数K对资产组合的协方差矩阵进行更为精准地预测由此为了区别于11式收益模型中的因子我们把风险因子记为得到结构化的风险因子模型16把对应的多因子称为风险因子作为多因子投资体系不可或缺的重要一环风险模型是与Alpha模型并行的以投资组合风险预测和分解为主要目的的重要模块主动投资的本质某种意义上讲就是收益与风险的权衡资产的权重往往与超额收益正相关而与风险负相关在量化投资实践中风险模型有着广泛的应用投资者使用风险模型的情景主要有以下几种1预测资产未来的波动性和相关性进而配合Alpha模型构建最优投资组合依照16式只需要知道1因子暴露通过统计方法计算出期的与那么就可以在1期预测期的资产组合收益率的协方差矩阵这也是Barra模型常常采用的估计协方差矩阵的方法2将资产的收益和风险分解到不同的维度下从风险因子的角度去理解资产表现3将风险模型用于事后的业绩归因分析对不必要承担或不擅长承担的风险进行对冲请务必阅读正文之后的信息披露和重要声明-5-定量研究专题报告12高频风险模型以高频因子组合作为分析对象现如今大量投资组合均在其Alpha模型中加入基于日内数据所构建的选股指标或信息然而常见的风险模型大多以基本面指标作为主要的风险因子已有的量价风险因子的构建周期也较长难以对加入高频信息的高换手资产组合的风险进行衡量与分析因此本文的核心目标是以加入高频信息的资产作为对象构建结构化风险模型并加以分析与应用读者可能发现我们在前序章节的多因子模型中引入了属性表示资产收益率的类型在本文中我们只讨论两种资产类型个股与高频因子组合一般来说风险模型都是对个股收益率进行建模即衡量风险模型解释效力的标准也是看个股收益率对风险因子回归的2除了针对个股的风险模型之外学术界还会针对因子组合的风险暴露进行分析具体来说在以因子组合作为对象进行统计风险模型构建时其目的是衡量不同因子组合在其他风险上的共性暴露此时风险模型的目的往往变成了分析因子本身所暴露的对应风险忽略个股的风险特征在面对本文核心目标时我们必然遇到一个问题是选用个股还是选用高频因子组合作为分析对象最终本文中我们是对高频因子组合收益率进行分析即回归模型1的左侧就变成了因子组合收益率资产类型a为高频因子组合fHFS此时我们是考察能对因子组合协方差组合估计最为准确的风险模型其核心原因如下1个股与组合暴露的高频风险存在共性高频因子组合多空或多头往往是因子信息暴露较大的股票组合然而高频因子本身存在着较多难以解释的风险因子信息不纯粹量价风险难以解释因此其资产组合必然也存在特定风险暴露2高频因子组合暴露的风险可解释性更强个股层面的高频风险往往变化较快导致针对个股高频风险刻画的适用性与稳定性较低而高频因子包含的风险相对稳定从高频因子组合暴露的风险出发去理解因子的逻辑与表现进而进行业绩归因更具实际意义3以高频因子组合作为对象的风险模型应用性更强在以高频因子组合作为考察对象时我们可以通过风险模型配合组合优化对因子组合进行复合进而构建复合因子此时我们不需要关心个股风险仅关心与因子相关的风险13高频风险模型符号说明在详细展开后续的高频风险模型构建以及应用之前我们首先确定本文中使用到的变量符号a常规变量表示日期12表示风险因子12表示高频因子请务必阅读正文之后的信息披露和重要声明-6-定量研究专题报告b高频因子组合设定在以高频因子组合作为分析对象时我们需要考虑多头组合空头组合以及多空组合三种类型表示高频因子多空组合表示高频因子多头组合表示高频因子空头组合c高频因子组合收益率列向量表示高频因子多头和空头组合的收益率列向量其中为时段高频因子多头组合收益率为时1段1高频因子空头组合收益率d风险因子载荷矩阵是时刻多头和多空组合的因子载荷矩阵其中是时刻高频因子多头组合在风险因子上的暴露是时t刻高频因子空头组合在风险因子上的暴露是多空组合的因子载荷矩阵其中是时刻高频因子多空组合在风险因子上暴露e风险因子收益率向量12表示回归得到风险因子的收益率列向量其中为时段风险因子的收益率1f高频因子特质性收益率表示高频因子多头和空头组合特质性收益率列向量其中为时段高频因子多头组合的特质性收益1率为时段高频因子空头组合的特质性收益率1表示高频因子多空组合的特质性收益率列向量其中12为时段高频因子多空的特质性组合收益率1g风险因子收益率协方差矩阵是风险因子收益率的协方差12矩阵其中是时刻因子和因子收益率的协方差12t11h高频因子组合收益率协方差矩阵是高频因子多空组合的12收益率的协方差矩阵其中是时刻高频因子多空组合和高频因子121多空组合2收益率的协方差i高频因子组合特质性收益率协方差矩阵是高频因子多空12组合的特质性收益率的协方差矩阵其中是时刻高频因子多空组合12和高频因子多空组合的特质性收益率的协方差12由于在针对高频因子组合分析时我们要在不同情况下使用不同的高频因子组合因此我们在下表中集中展示本文中涉及的变量类型表1本文中组合收益率设定说明变量多空组合多头组合空头组合组合收益率列向量单独使用共同使用组合收益率协方差矩阵单独使用单独使用不使用资料来源兴业证券经济与金融研究院整理请务必阅读正文之后的信息披露和重要声明-7-定量研究专题报告14本文结构说明至此我们已经确定好了本文的研究目的构造出能够准确解释与预测高频因子组合协方差矩阵的结构化风险模型简称高频风险模型并进一步探究其衍生应用因此本文的核心模型分为两个大部分结构化高频风险模型的搭建与高频风险模型的应用本文结构如下1首先针对结构化高频风险模型我们从自上而下和自下而上两个角度出发构建基本面高频风险因子与统计高频风险因子由此构建高频风险模型并从风险因子本身与解释力度两个维度衡量其表现2其次针对高频风险模型的应用我们基于高频风险模型对高频因子组合的协方差矩阵进行预测并由此带入最优化模型得到高频复合因子3最后我们根据高频复合因子测试其相对于基准方法的IC和分位数组合测试并进一步测试其在增强策略上的表现图1本文研究框架资料来源兴业证券经济与金融研究院整理2高频风险模型的构建21高频基本面风险因子构建基于兴证金工已有的高频因子库我们在本文中首先引入5类高频基本面风险因子它们是特质性波动率动量集中性价差和流动性需要指出的是风险模型与收益模型类似也需要在截面上不断寻找有解释效力的因子因此也需要不断的维护与更新风险因子我们从两个维度构建基本面风险因子1针对已有的Barra量价类风险因子进行改造2结合文献风险因子的特征以及对于模型的解释性加入刻画日内交易特征的风险因子为了使各高频风险因子间相关性较低我们采用逐次回归取残差的方式保证风险因子相互正交请务必阅读正文之后的信息披露和重要声明-8-定量研究专题报告表2高频基本面风险因子高频风险因子命名构造方法特质性波动率volrisk日度残差收益率的标准差动量momrisk长短期收益率均值集中性conrisk成交量占比偏度价差spreadrisk买卖价差除以买一价和卖一价的简单平均值流动性liqrisk度量个股的高频流动性风险资料来源兴业证券经济与金融研究院整理首先基于量价类因子构建的资产组合通常在波动率以及动量上有着较大的暴露不同于Barra风险模型中的波动率以及动量类指标高频因子的预测周期更短因此我们基于Barra风险因子进行调整以适应高频因子构建的资产组合1特质性波动率基于Barra风险因子改造对于高频风险中的特质性波动率我们沿用Barra风险模型中ResidualVolatility风险因子的计算方式并将其周期缩短首先对于DASTD指标而言我们基于全市场所有股票超额收益率计算其过去20日日超额收益率的加权标准差2211其中为股票在超额收益率20一个月是指数衰减权重半衰期为10日其次是CMRA累积幅度CumulativeRange该指标为过去4周周收益率累积收益率的波动幅度记时刻股票回溯一周的周收益率为55011无风险月收益率为011定义155112201123其中回望周期4最后是历史波动率HSIGMA指标该指标为过去20个交易日残差收益率的加权标准差即2241其中20一个月是在股票超额收益率与市场超额收益率进行时间序列加权回归后的残差是指数衰减权重半衰期为10日窗口长度为最后我们沿用Barra针对残差波动率的权重计算074016010252短期动量基于Barra风险因子改造请务必阅读正文之后的信息披露和重要声明-9-定量研究专题报告Barra模型的Momentum因子的计算方法为长期动量减去短期动量或者以跳过短期动量的方式进行构建我们沿用此想法但将时间周期调短具体来说我们假设长期动量为过去20日收益率的半衰加权短期动量为过去5日的收益率半衰加权减去市场收益率半衰期加权最后将长期动量减去短期动量以此构建短期动量风险因子112611其中是股票收益率为股票的超额收益率是指数衰减权重205为了使各高频风险因子间时序相关性较低我们将动量风险因子对特质性波动率因子进行回归取残差作为新的动量风险因子其次高频量价类因子通常与日内交易情绪存在着较强的关联性事实上高频因子本质上是寻找日内交易模式异常处的套利机会而交易模型的异常行为通常会体现在个股的日内流动性上我们参考文献中针对个股日内交易特征的刻画结合风险因子自身的波动特征以及模型增量选择了几个具有代表性的指标作为高频因子的对应风险3交易流动性价格波动与成交金额我们基于价格波动与成交金额刻画交易流动性代表着金额对于价格波动的影响也需要对特质性波动率与动量分别进行回归取残差两次回归作为新的流动性风险因子4交易集中性成交量偏度日内集中性风险因子被定义为分钟成交量占比的偏度27其中为个股分钟级成交量该指标首先计算得到各个分钟上成交量占全天交易量的比值并进一步计算得到当日成交量占比序列的偏度当交易量均匀分布在日内每一分钟时日内交易集中性低该指标较小日内集中性风险因子需要分别对特质性波动率动量与流动性风险因子进行回归取残差作为新的集中性风险因子请务必阅读正文之后的信息披露和重要声明-10-定量研究专题报告5交易成本报价差是用来衡量市场紧密度性的首选方法之一其衡量的是流动性资产买卖价格之间的差异该差异越大说明流动资产的价格波动相对较大使得特定头寸能够盈利1128110511其中为第t分钟的卖一价为第t分钟的买一价该指标以分钟级别数据计算并最终得到分钟级别的指标在剔除日内异常值后分位数去极值我们进一步按分钟成交量加权得到最终的日度指标价差风险因子需要分别对特质性波动率动量流动性与集中性风险因子进行回归取残差作为新的价差风险因子22高频统计风险因子构建在构建完高频基本面风险因子之后我们进一步构建高频统计风险因子在此我们需要引入统计风险模型的相关定义随着时代的发展投资者发现可以在结构化风险模型领域引入机器学习手段解决上述的问题首先依然假设收益率是因子关于因子载荷的线性变换并进一步引入结构化风险因子模型29是高频因子多空组合收益率的协方差矩阵此时我们仅关注资产的协方差矩阵已知12为的特征根12为对应的标准化的特征向量为特征向量对应矩阵根据矩阵特征根分解此时结构化风险模型公式左侧变为2111022112221002上式给出的的表达式是精确的然而它实际上是没有价值的因为我们目的是寻求少数几个风险因子去解释因此我们基于PCA主成分分析的方式选择解释力度排名靠前的个主成分此时公式变为11221122211与前文保持一致此时我们的风险模型仍然是针对高频因子的组合进行分析因此在统计风险模型中公式左侧的为高频因子的多空组合收益率的协方差矩请务必阅读正文之后的信息披露和重要声明-11-定量研究专题报告阵模型的目标是找出能够对高频因子多空组合共同运动方向准备预测的主成分与高频风险因子的定义一致不难看出统计风险模型在最终目的上与基本面风险模型类似但也存在着较大区别1在基本面风险模型和统计风险模型中我们均假设个资产的收益率可以用个因子通过他们不同的载荷来预测和决定为了稳健估计我们需要假设2在基本面风险模型中我们从主观角度将资产的面板数据从降维至个风险因子解释而在统计风险模型中这个因子不作逻辑上的定义不自上而下主观定义有利于应用于量价类因子此时唯一的目标是在给定K的情况下使得这个因子能够尽量精准无偏地解释协方差矩阵最终在具体计算中我们首先在日根据过去6个月的高频因子多空组合的日度收益率序列经过标准化处理进行PCA降维取前5个主成分按照特征值排序并进一步计算各个因子在不同主成分上的权重其次每个主成分中根据PCA的贡献度指标得到对应高频多空组合的权重将各个高频因子值根据权重加和得到该主成分当期在个股层面的因子载荷即为一个统计风险因子由此我们得到五个统计风险因子记为riskFct0至riskFct43高频风险模型有效性检验综上我们在基本面风险模型中自上而下地构建了五个高频基本面风险因子进一步自下而上地基于PCA构建了五个高频统计风险因子最终我们将这十个风险因子共同考虑作为针对高频资产组合的高频风险模型31高频风险因子有效性检验在进行下一步之前我们首先根据已有的风险因子进行测试以判断当前构建的风险因子是否符合风险因子的相关特征通常来说对于截面上某一特征即因子而言其虽然可以贡献超额收益但是其自身波动也带来了它对应的系统性风险在此我们假设两个理想化的Alpha因子和风险因子展示其在时序上对于收益预测的能力差异下方左侧图展示了一个理想化的Alpha因子的收益预测能力其中该因子收益预测能力在大部分时间为正且波动很小这说明该因子不但可以稳定的贡献超额收益其自身的系统风险也非常低下方右侧图则展示了一个理想化的风险因子风险因子的收益预测能力波动较大但存在着一定的周期性在时序上上无法贡献稳定的非0超额收益但是它可以显著的描述某种系统性风险因此这个因子是一个优秀的风险因子综上对于风险因子而言其对于股票收益率的预测能力会出现波动较大无法长期稳定获得超额收益的特征请务必阅读正文之后的信息披露和重要声明-12-定量研究专题报告图2理想的Alpha因子的预测收益能力图3理想的风险因子的预测收益能力6543200-3-2-4-5Alpha因子组合收益率风险因子组合收益率资料来源兴业证券经济与金融研究院整理资料来源兴业证券经济与金融研究院整理注数值根据因子特征模拟计算得到注数值根据因子特征模拟计算得到基于上述表述我们选择A股市场经常作为Alpha因子的20日动量因子RTN20DBarra模型中的Momentum风险因子以及我们在前一章节构建的momrisk风险因子用周度调仓下的IC移动均线展示三个因子时序上收益预测能力的特征我们首先展示RTN20D因子周度调仓下IC移动均线该因子IC均值为0053ICIR为0385可以明显看出该因子在长时间段上看IC移动均值长期为正数其十分符合Alpha因子的特征预测收益的能力长时间内稳定为正图4RTN20D因子周度调仓下IC移动均线过去12周02502015010050-005-01Alpha因子-RTN20D资料来源Wind聚源兴业证券经济与金融研究院整理其次我们展示BarraMomentum风险因子和momrisk高频风险因子周度调仓下IC移动均线这两个因子的IC均值分别是为0020与-0001ICIR分别为0137和-0005此时也可以明显看出这两个因子在长时间段上看IC移动均线存在着明显的周期性其十分符合风险因子的特征预测收益的能力波动较大存在周期性请务必阅读正文之后的信息披露和重要声明-13-定量研究专题报告图5BarraMomentum风险因子周度调仓下IC移图6momrisk高频风险因子周度调仓下IC移动动均线过去12周均线过去12周015008006010040020050-0020-004-006-005-008-01-01-012Barra风险因子-Momentum高频风险因子-momrisk资料来源Wind聚源兴业证券经济与金融研究院整理资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理除此之外我们还需要判断高频风险因子自身的正交性以及与已有的Barra风险因子的相关性具体来说高频风险因子自身的正交性决定了后续横截面回归的稳健性我们展示高频风险因子的截面相关性均值结果表明高频风险因子内部相关性较低可以进行后续横截面回归图7高频风险因子自身相关性分析volriskmomriskliqriskconriskspreadriskriskFct0riskFct1riskFct2riskFct3riskFct4volrisk001000000-002-009-010-006-005-004momrisk001000000001-003-007-005001003liqrisk000000-002004-037-006006007002conrisk000000-002-003006-021-001-001-001spreadrisk-002001004-003001-039015005000riskFct0-009-003-037006001013008002007riskFct1-010-007-006-021-039013000000002riskFct2-006-005006-001015008000-002-001riskFct3-005001007-001005002000-002-002riskFct4-004003002-001000007002-001-002资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理进一步我们测试高频风险因子与Barra风险因子之间的相关性并展示如下结果表明riskFct0与残差波动率以及流动性风险因子相关性偏高这表明高频因子组合大多在这两类风险上存在暴露但与其他Barra风险因子相关性极低高频风险因子与风险因子存在差异Barra图8高频风险因子与Barra风险因子相关性分析SizeBetaMomentumResidualVolatilityNonlinearSizeBookToPriceLiquidityEarningsYieldGrowthLeveragevolrisk-015032-009-004-007000009005002-006momrisk-003003003006-002001005001001000liqrisk-050-013-014-017-038015-028011004-027conrisk003010008014002015019005-005-009spreadrisk017010016015012037026003-014-022riskFct0010012019056009027049019000002riskFct1-005-018-018-013-003-019-023004010012riskFct2002-005000004-001011000004-002-005riskFct3002-005002005-001007-004002-001-002riskFct4002-002005009001006003003-002000资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理32高频风险模型解释力度测试在确定好风险因子的特征与特异性之后我们需要针对风险模型的解释力度进行测试横截面回归的2通常用来度量风险因子对股票收益的解释程度在请务必阅读正文之后的信息披露和重要声明-14-定量研究专题报告BarraRiskModelHandbook中提及2通常用来描述投资组合回归模型左侧中与已知风险回归右侧相关的比例未被模型解释的方差2131投资组合的总体方差除2之外2在风险模型中参考意义更大通常来说引入的风险因子越多2越大但风险因子的个数不应该过多2针对引入的自变量个数对2进行调整以判断模型是否在较少的风险因子之下解释投资组合总体方差的水平更高我们设置高频因子多头组合以及空头组合701作为因变量此处也可以用高频因子多空组合以Barra因子载荷以及高频风险因子载荷作为因变量进行线性回归检验其过去250个交易日的移动平均232从结果上看在以因子多头以及空头组合为收益率的回归模型中基于高频复合风险模型即高频基本面风险模型统计风险模型的解释力度相对强于基于Barra的风险模型2均值大致在75左右Barra解释力度略逊于高频风险模型且在时间段早期差异较大图9基于高频因子多头与空头组合的横截面回归移动均值08508075070650605505045201646201746201846201946202046202146202246202346高频风险模型高频基本面风险模型高频统计风险模型Barra风险模型资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理4高频风险模型应用综上我们从自上而下和自下而上两个维度出发构建了针对高频因子组合的高频风险模型该模型在解释力度上相对优于Barra风险模型在得到风险模型之后我们将进一步探究其应用场景协方差矩阵的估计以及高频因子复合请务必阅读正文之后的信息披露和重要声明-15-定量研究专题报告41高频因子组合的协方差矩阵估计与最优化上文中提及风险模型最重要的应用场景之一便是协方差矩阵的估计依然假设收益率是因子关于因子载荷的线性变换并进一步引入结构化风险因子模型41需要注意的是此时我们公式左侧的资产类型为基于高频因子构建的多空组合1与之前不同的是此时我们已经根据上文构建了风险因子对应的因子载荷并可以根据横截面回归得到风险因子收益率在本章中我们希望通过风险模型估计高频因子组合的协方差矩阵并以此构建复合高频因子我们的具体步骤主要分两大步协方差矩阵的估计与最优化模型我们首先介绍协方差矩阵的估计具体如下1回归得到因子收益率与残差收益率在每天横截面上用当天的多空组合收益率对上一天的高频风险因子暴露五个基本面风险因子和五个统计风险因子做加权的稳健回归由此得到风险因子当天的收益率和组合当天的残差收益率2风险因子收益率协方差矩阵特质性收益率协方差估计我们根据上一步得到的过去20日的风险因子收益率以及特质性收益率计算当期风险因子收益率协方差矩阵以及特质性收益率协方差矩阵由于需要对下一期的高频因子组合协方差组合进行估计我们进一步使用Ledoit-Wolf方法估计风险因子收益率的协方差矩阵与特质性收益率协方差矩阵3引入结构化风险模型估计多空组合下一期的协方差矩阵根据结构化风险模型的公式32其中是t期N个高频因子多空组合在K个风险因子的上的因子暴露矩阵是K个风险因子收益率的协方差矩阵是N个高频因子多空组合的特质性收益率方差矩阵则是最终估计得到的高频因子组合的协方差矩阵在得到高频因子组合未来一期的协方差矩阵的估计之后我们进一步将估计得到的协方差矩阵带入最大化夏普优化函数中最优化后即为因子的权重max331需要注意的是此处可以替换为高频因子的多头组合下文会提及请务必阅读正文之后的信息披露和重要声明-16-定量研究专题报告01其中用过去20日所有因子组合收益率均值作为估计为估计出的组合协方差矩阵为不同高频因子权重向量最终我们在每个周末根据各个高频因子组合过去20日的数据最优化后得到权重并最终根据权重复合得到当周复合因子值其中协方差矩阵的估计步骤中存在因子多空与多头组合两种方式若要使用多头组合进行复合则最终是以最大化多头组合夏普比率作为目标因此我们可以得到两个复合因子分别记为最大化Top夏普复合因子以及最大化多空夏普复合因子除此之外我们同样可以将高频风险因子替换为Barra风险因子重复上述步骤构建基于Barra复合因子作为比较基准若风险模型对于组合协方差的估计更精准其复合因子的表现应当更为优秀42高频复合因子表现测试综上我们基于Barra风险模型与高频风险模型得到了三个高频复合因子分别是基于Barra复合因子最大化Top夏普复合因子与最大化多空夏普复合因子在得到高频复合因子之后我们首先针对复合因子进行周度调仓下的IC测试回测区间为2015年底至2023年9月具体地我们在全市场以及不同股票池内测试三种复合因子的IC表现并展示三个因子IC均值与ICIR指标从结果上看无论是全市场还是在不同成分股股票池内基于高频风险因子构建的复合因子稳定战胜以Barra风险因子复合的因子最大化Top组复合的因子表现略优于最大化多空组合的因子以最大化Top夏普复合因子为例该因子在全市场内IC均值为0100ICIR为1364该因子在中证1000与国证2000中的IC均值为0092与0106表现十分优秀图10高频复合因子周度IC测试结果IC均值图11高频复合因子周度IC测试结果ICIR基于Barra复合最大化Top夏普复合最大化多空夏普复合基于Barra复合最大化Top夏普复合最大化多空夏普复合全市场008901000102全市场117013641272沪深300004100520053沪深300039904830500中证500006300750079中证500069008140825中证800005400670069中证800063807550752中证1000008100920092中证1000098811401071国证2000009501060107国证2000114513291243资料来源上交所深交所行情数据Wind聚源兴业证资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理券经济与金融研究院整理更进一步我们将三个因子进行针对全市场以及针对不同股票池的分位数组合测试我们首先展示针对全市场的十分位数组合测试回测时间为2015年底至2023年9月底测试结果表明无论是在Top组还是多空组合上基于高频风险因子的复合因子同样稳定战胜基于Barra风险因子构建的复合因子以基于高频风险因子最大化Top组夏普比率复合因子为例该因子全市场Top组年化收益率请务必阅读正文之后的信息披露和重要声明-17-定量研究专题报告接近50基准方法年化收益率为3851该因子Top年化超额收益率为3832多空夏普比率为808表现十分优秀图12高频复合因子全市场周度十分位数组合测试结果基于Barra复合基于风险因子最大化Top夏普复合基于风险因子最大化多空夏普复合分位数年化收益率Sharpe比率年化超额收益率年化收益率Sharpe比率年化超额收益率年化收益率Sharpe比率年化超额收益率Top38511682794498221938324776212362911928085102423921031467251210915702181408092220860911174214109312303158807071116680727961787077906415730697001380059531158206871651297056449102904420711320483056730031-068618026-162532022-2397209009-538-050-002-772-022-001-7478-389-016-1074-875-036-1534-972-039-1617Bottom-2259-081-2784-2680-099-3185-2862-105-3353市场813036813036813036L-S74815915219100028087438101827867577资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理我们进一步展示三个复合因子在不同股票池内的五分位数组合测试回测时间同样是为2015年底至2023年9月底测试结果表明基于高频风险模型复合的因子在不同股票池均严格单调基于Barra构建的因子则效果一般尤其是在大盘以及中盘股股票池内无论是多头组合还是多空夏普比率高频复合因子在不同股票池表现均相对优秀以基于高频风险因子最大化Top组夏普比率复合因子为例该因子在沪深300中证500中证800中证1000和国证2000成分股股票池内均严格单调多空夏普比率分别约为20313156和69图13高频复合因子不同股票池内周度五分位数组合测试结果沪深300中证500中证800中证1000国证2000因子名称分位数组合年化收益率Sharpe比率年化收益率Sharpe比率年化收益率Sharpe比率年化收益率Sharpe比率年化收益率Sharpe比率Top45302467103255102813700572096087151602898804684404213020541831076276203910270489450479530391408058基于Barra3228011203009269013-099-004281011复合Bottom-355-016-895-037-723-031-1723-065-1865-069市场282015310015301015233010623026L-S6960681565156124513935763964668482Top10960601407066132306721430892858118基于风险173403910910509050451298053196908124610236540307190357660311096044因子最大3255012208009178008-258-010273011化Top夏Bottom-917-041-1362-056-1228-054-2070-079-2252-086普复合市场282015310015301015233010623026L-S20502003039310276430851385586394689Top10020561411067125206419300812746114基于风险11037055132806112160611463060201508324130217750357090348670351359055因子最大3094005136006121006-137-005127005化多空夏Bottom-903-041-1595-066-1370-060-2237-085-2301-086普复合市场282015310015301015233010623026L-S19321913404348288731751715496323649资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理43高频复合因子对中证1000增强策略的提升上文中我们针对三种高频复合因子进行了IC和分位数组合测试测试结果表明基于高频风险模型复合的因子表现明显优于基于Barra构建的复合因子这说明在针对高频因子组合的协方差估计上高频风险模型有着明显的优势本请务必阅读正文之后的信息披露和重要声明-18-定量研究专题报告章中我们将基于上一章节中表现最为优秀的基于高频风险因子最大化Top组夏普比率复合因子测试其在中证1000指数增强策略上的提升具体来说我们在常规的低频中证1000指数增强策略中加入高频复合因子以测试其对于策略的提升程度在常规的低频中证1000指数增强策略中我们从估值情绪成长质量和另类五大类因子中选择了共8个因子进行等权复合在本章中我们在这8个因子的基础之上加入高频复合因子后同样等权复合以测试其在加入前后不同约束条件下增强策略的表现具体的增强策略约束条件与因子表如下1市值偏离我们设置为0520502行业偏离我们设置为0520503个股相对成分股权重偏离01054成分股个数占比大于805调仓双边换手率小于606周度调仓回测区间为2015年底至2023年9月底7样本空间每期剔除当期不在市以及特殊处理的股票并进一步剔除高频复合因子排名后20的股票8交易成本买入千分之一卖出千分之二共计千分之三表3中证1000指数增强因子列表因子名称类别因子描述ROEFwd12MR3M情绪一致预期ROE未来12个月预测值过去60天的变化率EPSFwd12MR3M情绪一致预期EPS未来12个月预测值过去60天的变化率SUE0成长超预期SUR0成长超预期IVR20D另类1-Fama-French回归的调整r方Turnover20DAvg另类过去20天日均换手率PROC质量过去8个季度营业收入相对营业成本的线性回归的残差取最新一期BPLR价值股东权益合计不含少数股东权益最新财报总市值高频复合因子高频基于高频风险因子最大化Top组夏普比率复合因子资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理我们首先展示在不同约束条件下周度调仓且扣费情况下加入高频因子与不加入高频因子中证1000指数增强策略的年化超额收益率从测试结果上看在不同的约束条件下加入高频因子后年化超额收益率均得到明显提升均增加2-3个百分点以个股权重约束01市值行业约束20为例加入高频因子后策略年化超额收益率提升约3个百分点请务必阅读正文之后的信息披露和重要声明-19-定量研究专题报告图14中证1000指数增强策略年化超额收益率个图15中证1000指数增强策略年化超额收益率个股权重约束05股权重约束01行业约束05行业约束20行业约束50行业约束05行业约束20行业约束50市值约束市值约束不加高频加高频不加高频加高频不加高频加高频不加高频加高频不加高频加高频不加高频加高频051675191617431928176219840518152001177820511839200020170419181754195817522001201813200017712043182719985017221913175019851759201250179720001772204017832009资料来源上交所深交所行情数据Wind聚源兴业证资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理券经济与金融研究院整理我们进一步展示以个股权重约束01市值行业约束20下加入高频复合因子后的中证1000增强策略表现该中证1000指数增强策略的年化超额收益率为2043相对净值收益风险比为335收益回撤比为346表4加入高频因子后的中证1000指数增强策略表现统计区间收益率年化收益率年化波动率收益风险比最大回撤收益回撤比策略净值14440124821550583387037基准净值-4296-7122304-0316004-012相对净值310562043610335591346资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理图16加入高频因子后的中证1000指数增强策略净值3452543523152512051501相对净值右策略净值基准净值资料来源上交所深交所行情数据Wind聚源兴业证券经济与金融研究院整理从分年度来看策略每年都有超过10的超额收益绝大多数年份获得了超15的超额收益策略分年度胜率为100分月度胜率约为79其中策略近两年表现优秀22年年化超额收益率为2303今年以来策略获得约10的超额收益请务必阅读正文之后的信息披露和重要声明-20-