报告从日内成交量分布出发,构建对数成交量、时间、收益率及价格四大维度的成交量分布因子,并提出基于序列log-signature的Logsig-Alpha因子生成器。各类因子均通过丰富回测检验,Logsig-Alpha因子表现最优,年化多空收益达36.39%,且因子相关性低,特别适配中小市值股池,具备较强选股能力和实用价值
| 因子名称 | Rank IC | ICIR | 多头年化收益率 | 多空年化收益率 | 多空Sharpe Ratio |
|---|---|---|---|---|---|
| 对数成交量日内偏度因子 | 5.94% | 0.72 | 16.43% | 26.29% | 3.16 |
| 早盘成交量占比稳定性因子 | 4.89% | 1.06 | 13.95% | 22.62% | 4.26 |
| 价格显著上行价稳量比因子 | 6.30% | 0.83 | 18.01% | 23.14% | 2.95 |
| 成交量在价格上的分布反转因子 | 5.50% | 0.73 | 14.00% | 30.88% | 3.29 |
报告标题:日内成交量分布因子及 Logsig-Alpha 因子生成 — 因子选股系列之六
发布机构:东北证券股份有限公司
作者:王琦(首席分析师)、贾英(研究助理)等
发布日期:2023年11月末
研究主题:基于日内成交量分布构建选股因子,特别是创新应用Logsig-Alpha因子生成方法对成交量序列的提取与选股能力分析
本报告系统地研究了日内成交量分布特征,并围绕该特征构造了一系列因子,用以进行股票收益的预测与选股。核心创新在于引入Logsig-Alpha模型,对成交量序列的log-signature特征进行提取加工,实现了序列到因子的高效转化。报告详细展示了人工构造的四大类成交量分布因子的理论设计与实测表现,其中包括:
此外,报告通过机器学习方法结合log-signature特征引入Logsig-Alpha因子生成器,极大提升了因子表现,且因子相互间相关性较低、符合流动性与特异波动率的Barra风格特征,适合应用于中小市值股票池。
因子表现整体良好,尤其是Logsig-Alpha-v因子,展现了高Pick能力和稳健的收益质量。
风险提示明确指出本研究基于历史数据和模型推断,具有模型失效可能,历史表现不等同于未来表现。
报告开篇回顾了此前高频数据低频化构造收益率分布因子的研究,进一步明确成交量作为流动性指标不仅自身重要,其日内的稀疏性、周期性等特征也富含信息,值得细致分析。采用5分钟粒度可缓解稀疏性问题,对数变换后成交量序列近似正态,方便定义统计因子。
成交量与流动性风险溢价相关,成交量的分布形态能够反映交易情绪和多空博弈,依此构建因子有助于捕捉趋势或反转信息。
四维度构建因子的思路明确,为后续章节铺垫了蓝图。
两大核心因子:对数成交量的日内波动因子和偏度因子,分别度量成交量的稳定性和偏移程度。
关注成交量典型的日内U形分布,通过比例和稳定性概念设计多因子:
因子构造基于克服周期性影响,通过日间对比与窗口期整合。
实测反映:
逻辑解释强调早盘成交量的合理性与稳定性对应更低的过度反应及更健康的市场参与结构。
通过关注价格显著上升区间的成交量波动和占比,构造了4个因子:
重点衡量价格上涨时收益率与成交量组合的稳定性,有效筛除过度交易信号。
实证表现:
图26-33打印显著的收益分层及排名IC,进一步佐证因子有效性。
通过日内价格分段成交量聚合和POC(成交量最大的价格区间)计算,构造了:
因子逻辑:成交量更偏向高价区或价格收敛POC区域,暗示未来走势。
表现方面:
区别于上述人工构造因子,Logsig-Alpha采用深度学习框架与路径签名理论全面提取成交量序列信息:
实证测试结果突出:
图1显示股票在日内以5min为粒度的成交量分布具有明显偏态,单点成交量范围广泛,反映出现有部分时段成交量稀疏。图2对成交量取对数后呈近正态分布。图3和图4示出了1min与5min成交量时间分布,前者波动较大且稀疏,后者平滑呈现典型U形成交量分布。
表1显示偏度因子Rank IC达5.94%优于波动因子1.55%;两者多头年化收益分别高达16.4%和9.9%。图6和8对应分层收益线,多头收益层与基准明显分离。图7和9的Rank IC图展示偏度因子稳定递增的IC贡献。
早盘占比及其稳定性因子Rank IC均在4.61%到4.89%之间,表现稳定,相关图表展现均值向上分层净值曲线,趋势明显。比例因子与波动因子均显示出稳健的分组收益与较高的信息系数。
价格显著上行价稳量比因子Rank IC约6.3%,多头年化收益18%左右,稳定性因子表现更强。图26至33的净值和IC表现曲线均体现因子强大的踩点能力和稳定性。
反转因子的Rank IC达5.5%,多头年化收益超过14%,显著优于偏移因子。净值曲线展现清晰的多头超额累计效应。
这些图表确认了成交量在价格上的动态分布对于提升反转模型具有实际的强化效果。
Logsig-Alpha-v周度因子Rank IC达7.52%,月度达9.12%,超过传统因子,五分组收益优异,证明机器学习与高阶路径签名方法能有效提高信息提取能力。
相关矩阵揭示Logsig-Alpha-v与传统因子几乎无显著相关,具备差异化选股能力。大类合成因子表现持续优于单因子,均衡提升信息捕获与稳健性。
报告未涉及传统的企业价值估值,主要专注因子构建及策略回测,侧重量化因子选股模型的设计与表现验证,无明显估值模型内容。
缓解策略主要依赖因子稳定性因子的引入、多维度因子组合和滚动训练更新模型。
本篇报告为日内成交量分布构建与因子筛选提供了系统完整的方法框架。通过基于经验分布、时间分布、价格分布和收益率分布四维度的因子设计,以及创新的Logsig-Alpha生成模型方法,全面提炼成交量序列中的丰富信息,构建了一系列具有良好预测性和稳健性的选股因子。
人工构造因子中,日内对数成交量偏度因子和价格显著上行价稳量比因子表现优异,是较稳健的信息来源;时间分布因子和价格分布因子则提供了补足性信息。Logsig-Alpha因子基于10阶log-signature和正交变换模块,显著提升因子预测能力和多样性,有效捕获序列深层信息,表现优于人工设计的因子。合成后的大类因子不仅等级IC和收益率较单因子更优,而且因子线性独立性强,具备更良好的组合应用潜力。
图表全面支持以上结论:
总体上,报告展现了成交量时序数据在量化投资中深耕细作带来的价值与潜力,提供了兼具理论与实证的全面视角,尤其是结合人工因子与机器学习方法,为未来因子工程开辟了新路径。推荐关注及进一步测试Logsig-Alpha因子及其融合版,对于资产配置、量化选股具有实际应用指导价值,但仍需考虑模型失效及市场变动带来的不确定风险。
溯源标记示例:
该结论基于章节7-8页相对应表1和图6-9数据,8],因子构造与相关性基于章节9-13页表4、图10-25,11],Logsig-Alpha相关性能参考章节22-26,表23及图46-49,风险提示等内容参考页30。
本报告通过研发和测试日内成交量分布相关的多维度因子,尤其结合现代机器学习的path-signature方法提出Logsig-Alpha因子生成器,显著提升选股因子质和量,表现出了强大的预测能力与稳健的实证表现。因子组合同样实现了优异的多头及多空收益表现,适合于中小市值及流动性股票池。尽管存在模型失效风险与应用限制,但报告提供了强有力且系统的理论基础、数据验证和设计框架,对量化投资因子工程具有重要指导意义和应用参考价值。
因子选股系列之六:日内成交量分布因子及Logsig-Alpha因子生成.pdf