报告提出了基于时间加权平均相对价格位置的买卖压力因子(ARPP_1d_20d、ARPP_5d_20d、ARPP_20d_20d),反映股票价格在高低位的停留时间差异,显著预测未来收益。三个因子在不同样本空间均表现优异,尤以ARPP_1d_20d表现最佳,月度RankIC达到6.8%,多空组合年化收益23%。因子间和其他基本面及技术因子相关性低,具有独立信息贡献,且不同时间窗口的因子相关性低,互为补充。因子剔除其他因子后依然显著,展现良好稳健性和选股效果 .
| 样本空间 | RankIC(行业市值中性) | 多空年化收益 | 夏普率 | 最大回撤 |
|---|---|---|---|---|
| 中证全指 | 6.05% | 22.99% | 3.54 | -5.51% |
| 沪深300 | 4.02% | 11.91% | 1.21 | -17.15% |
| 中证500 | 5.25% | 17.27% | 2.25 | -12.82% |
| 中证1000 | 6.94% | 25.78% | 2.88 | -7.77% |
| 因子 | RankIC | IC_IR | 多空年化收益 | 夏普率 | 最大回撤 |
|---|---|---|---|---|---|
| ARPP_1d_20d | 5.04% | 4.05 | 16.58% | 2.90 | -5.11% |
| ARPP_5d_20d | 3.78% | 3.15 | 11.90% | 2.32 | -4.73% |
| ARPP_20d_20d | 1.85% | 1.92 | 6.65% | 1.50 | -5.65% |
报告标题: 基于时间尺度度量的日内买卖压力
系列: 因子选股系列 之 六十六
作者与机构: 朱剑涛、王星星,东方证券研究所
发布日期: 2020年4月21日
研究主题: 本报告聚焦于如何通过股票价格在不同时间区间内的相对位置停留时间,度量股票的买卖压力,并基于此构建与验证有效的选股因子。
核心结论: 买卖压力不仅影响价格成交量的分布,还影响价格在时间维度的分布。股票价格在相对低位时买入压力大,因主动买单推高价格,导致价格在低位停留时间短;反之,卖出压力大时,价格在高位停留时间短。基于此,报告提出相对价格位置(RPP)和时间加权相对价格位置(ARPP)指标,构建三个不同时间尺度的买卖压力因子,并验证出较强的选股能力和稳健表现。投资者可依据不同换手需求,灵活应用这些因子。
风险提示: 主要包括量化模型失效风险及市场极端冲击风险。,12]
报告先回顾了之前一篇《基于量价关系度量股票的买卖压力》中的发现,即股票买入压力大时,成交量在价格相对低位较大;卖出压力大时,成交量在价格相对高位较大。进而指出买卖压力同样影响价格在时间维度的分布:当买卖压力平衡时,价格在相对高低的停留时间均等;当买入压力大,股票价格一旦处于相对低位,主动买单驱动价格快速上升,导致价格在低位停留时间短,高位时间长;卖出压力大时反之。
这一逻辑清晰描述了时间停留与主动交易压力的正相关关系,为构建基于时间尺度的买卖压力因子奠定基础。
为解决不同股票价格不可比较问题,报告采用归一化的价格分位数指标——相对价格位置 (RPP) 定义为:
[ RPP_{i,t} = \frac{P_{i,t} - L_i}{H_i - L_i} ]
其中,(P_{i,t}) 是某时刻价格,(H_i, L_i) 分别为统计区间内最高和最低价。RPP取值介于0到1,折算股票在特定区间价格的相对位置。报告展示了A股十年内日度和月度RPP分布图(图1,图2),显示RPP分布总体呈钟形,统计样本经过去涨跌停过滤,保证数据平稳。
为更细腻度量停留时间,避免阈值设定带来的偏差,报告采用时间加权平均的相对价格位置(ARPP),即(RPP)在时间上的积分。计算中,TWAP(时间加权平均价格)取代了积分中的价格部分,使得ARPP计算公式简化为:
[ ARPP_i = \frac{TWAP_i - L_i}{H_i - L_i} ]
通过不同的时间窗口滚动计算ARPP,具体为1日、5日、20日三个窗口,再对结果做20日滑动平均平滑处理。构造因子分别命名为ARPP_1d_20d、ARPP_5d_20d、ARPP_20d_20d,满足不同投资者的视野与周期需求。报告中剔除了涨跌停日期影响,加强模型稳健性。
因计算依赖分钟级行情数据,样本周期为2009年12月至2020年3月,选样范围以上证全指成分股为主。用传统RankIC和因子分组收益方法评价因子有效性,分组采用原始值与行业市值调整后值,精细划分为10组构建多空组合。
报告提供了详细的样本空间RankIC、IC_IR、t值及多空组合年化收益、夏普率、月度胜率和最大回撤等统计指标(图3),表明因子具有稳定性和统计显著性。中证全指内ARPP_1d_20d月度均值RankIC达6.8%,多空年化收益约23%。
通过对因子十组进行收益展示(图4~图6),发现收益结构单调,低分组负收益幅度较大,高分组收益逐步上升,支持因子对未来收益具有预测力。多空组合收益中,空头端对冲收益(比如ARPP_1d_20d约为-10.9%)整体强于多头端(约为8.8%),但差异不明显,多头收益依然显著。
三个ARPP因子均在历史上保持较好选股表现,无明显大幅回撤,表现稳定。
ARPP_1d_20d因子近两年收益有减弱趋势,疑因市场拥挤度增加,5日和20日窗口因子表现更稳定。2020年初各因子均回暖,显示因子持续有效。
本章在中证全指样本上,分析三个ARPP因子之间及其与各大类因子(估值、成长、盈利、流动性等)和常见技术因子(日间和日内)的相关性,排除金融股以避免特殊行业因子干扰。参照因子值相关系数、RankIC相关性和两两分层多空收益进行多角度剖析。
两层分层方法帮助判别不同因子组合下的收益独立性。
因子相关性低以及回归结果证明,ARPP因子提供了市场上现有因子难以替代的价位及买卖压力信息,且具有实质投资价值。
本报告为量化因子研究报告,设计侧重于因子构建及实证检验。未涉及传统公司估值方法或财务预测模型的详细构建。因子表现通过RankIC及多空组合收益实证反映因子价值。投资者可结合自身资产配置需求,将此类因子作为选股Alpha补充,非作为独立估值工具使用。
报告明确提示两大主要风险:
报告未特别展开缓解策略,通常建议投资者结合多因子模型,严格风控与动态调整仓位。,12]
整体而言,报告分析扎实,结论客观,指标设计合理。
本报告首次系统构建并实证验证了基于价格相对位置在不同时间尺度内停留时间的买卖压力因子(ARPP),并证明:
综上,基于时间尺度度量的日内买卖压力因子为量化选股提供了一个新的、稳健且独立的信号来源,适合结合其他因子构建多因子选股模型,是投资者和量化策略开发者宝贵的研究成果和实用工具。
本报告条理清晰,研究框架严密,实证结果充分,图表丰富合理,指标定义清晰,且风险提示合理,是一篇理论联系实证、视觉效果良好且具备较强操作价值的量化研究报告。投资者和研究员可基于此进一步开发多因子策略,融合时间维度价格动量信息,提高投资组合的超额收益能力。
【全文完】
因子选股系列之六十六:基于时间尺度度量的日内买卖压力.pdf