本报告借鉴Bollerslev(2021)研究,将传统Beta因子拆解为4个SemiBeta因子,基于A股市场日内高频数据(1分钟和5分钟级)进行实证检验。结果显示,周频换仓中,MN类高频SemiBeta因子表现最佳,年化多空收益率可达近30%,而月频换仓中N和P因子效果较好,且选股范围影响因子有效性。因子之间存在较高正相关,尤其是相同收益方向的组合因子。该高频因子的研究丰富了A股量化因子库,为投资组合构建提供了新思路
研究背景及理论基础
因子构建与参数设置
高频SemiBeta因子实证表现:月频和周频策略对比
限定股票池选股效果
因子相关性分析
量化策略特征总结与风险提示
报告标题:
【广发金融工程】再谈SemiBeta因子:高频测算 多因子Alpha系列报告之(四十七)
作者及发布机构:
罗军安、宁宁、张钰东,广发金融工程研究团队,广发证券发展研究中心
发布日期:
2023年4月7日
研究主题:
基于A股市场高频数据,进一步深化分析和实证SemiBeta因子在股市中的表现,评估其Alpha能力,并探讨不同调仓频率(周频、月频)、不同市场基准(沪深300、中证500、中证1000、创业板指)及日内数据频率(1分钟、5分钟)对因子表现的影响。
核心论点及目标:
综上,报告意在推进Beta因子的多维细化研究,探索SemiBeta因子在中国A股高频交易环境下的实证表现,为量化投资提供实证支持和策略参考。,1,2,3,4,5,6,7,12,14]
传统Beta因子的局限:
Beta反映的是资产对市场收益变动的敏感性,然而早期研究(Markowitz 1959,Hogan and Warren 1972,1974)均指出Beta因子的过度简化,致使其不能全面解释股票横截面收益差异。
SemiBeta分解:
基于Bollerslev(2021)理论,传统Beta因子用协方差与方差的比率定义,可以拆分为四个部分:
β=βN+βP−βM+−βM−
其中:
该拆解更好地捕获了投资者对资产下跌风险的厌恶,反映不同市场状态下的Beta敏感度,符合Prospect Theory投资者行为假设(Kahneman and Tversky, 1979)。由于市场下跌风险更被关注,因此不同SemiBeta表现对预期收益有重要影响。报告通过示意图(图1)直观展示4种不同结构资产在SemiBeta拆分下的回报差异,为后续实证提供理论基础与直观理解。
A股市场实证耐受度:
报告基于沪深300、中证500、800作为市场基准,滚动计算过去20、60、120交易日的传统Beta,不同调仓时点进行检验,发现传统Beta在A股难以稳定贡献Alpha,反映了市场特性和因子效用的转换需要更细致的测算手段。
本报告创新点:
相较于此前(多因子Alpha系列之45号报告)使用日频数据构建因子,本报告采用日内高频数据(1分钟及5分钟频率)进行SemiBeta测算,试图挖掘更细粒度的价格信息,从而提升因子表现和实际投资指导价值。,1,2,3]
因子库总计构建64个高频月频因子,16个周频因子,提供多维度全面测试。
此章节体现因子构建的系统性、科学性,且针对A股独特市场环境进行针对性策略设计。,12]
此处展示了高频SemiBeta因子月频调仓下的实证优势,特别是N(市场负收益-股负收益)和P(市场正收益-股正收益)因子,凸显了投资者对下行风险敏感度的投资价值。
[图片示例]
,5,6]
该结论说明高频因子在信息挖掘上补充了低频因子的不足,且同向因子组合内存在较强关联性,可能需考虑合成因子以控制多重共线性,同时因子仍存在一定独立性可供多元化组合选股。,7]
这一节体现因子在不同市场板块及调仓频率下的表现分化,表明半Beta因子更适合中小市值股票中挖掘Alpha,且换仓频率对因子收益波动及稳定性有较大影响。,8,9,10,11,12,13]
作者明确指出模型与结论基于历史数据的统计量与建模,未来因市场政策、结构、交易行为改变,因子可能面临失效风险。此类风险特别体现在量化策略的规律性与恒久性不确定性上,提示投资者需动态跟踪与风险控制。,15]
内容描述:
Panel A-D展示了4种不同资产的收益分布结构,展示其βN,βP,βM+,βM−值的不同配比,揭示传统Beta相同但SemiBeta结构明显区分的不同风险特征。
数据解读:
文本联系与结论:
图示支持理论假设,表明SemiBeta因子能区分市场风险性质,进而影响预期收益率,反映了因子投资中的细分风险定价意义。
内容描述:
数据与趋势分析:
文本联系:
这些图表生动验证了因子回测中IC及收益的定量表现,为量化模型的实证有效性提供充足证据。
整体表格极为详实,支持文本论点,提供了实证数据的坚实基础。,3,4,5,7,8,9,10,11,12,13]
报告主体聚焦于因子构建和回测表现,并未延伸到个股估值明细或目标价。主要采用的是基于IC(信息系数)、ICIR(信息比率)及多空策略收益(年化收益率)等金融因子绩效评估指标,而非传统DCF或PE估值法。
因子绩效表现作为Alpha质量衡量,其背后隐含的是因子捕捉风险溢价能力的衡量。因子构建基于有监督方向拆分Beta,计算过程涉及协方差分解,参数敏感性主要体现在市场基准、数据频率及平滑滑动窗口设置等方面,报告中通过多频率、多基准对比提供了一定的敏感度侧面展示。
因此,核心估值体现在因子预期收益率结构及多空策略超额收益的收益测算,而非传统股票估值体系。,1,2,3,4,5]
报告明确提示以下两点主要风险:
风险提示符合量化研究专业惯例,强调因子策略非永恒有效,投资者需警惕模型生命周期风险并配合动态调整。,15]
报告在因子构建和实证检验中展示了非常详细的数据和分析,但其多次观察到所有因子IC均为负值的现象对于因子解读提出挑战。一般正IC代表正向预测能力,负IC使用时需要考虑是选低因子值股票取反向收益,还是因子定义本身有逆向含义,报告中提及规模和选股池限制后,因子效用出现削弱,这提示因子稳定性与环境适应性仍是严峻问题。
高频因子与低频因子相关性提升,可能表明高频信号更多是噪声叠加或短期博弈,应关注高频因子在实盘交易时的交易成本和滑点风险,报告对此未详尽讨论。
因子表现的负IC现象,在量化投资中需要复盘对应因子的入场方向和信号解读,报告未明显讲清楚具体的做多空方向策略定义,实际应用中需额外注意策略逻辑匹配。
报告中换仓频率(月频与周频)表现差异明显,揭示策略调仓节奏对因子收益有关键影响,投资者需根据自身环境匹配适合频率,否则可能错失收益或加剧交易成本。
受限于A股市场特性,样本处理如涨跌停剔除、ST处理等会影响因子覆盖面和收益稳定性,报告对此的影响未作深入定量分析。
总体而言,报告在数据广度和深度方面表现突出,逻辑严谨,结论与实验数据紧密结合,但在策略应用细节(如交易成本影响、收益方向定义澄清、风险管理方案设计)方面尚有拓展空间。,4,6,12,14]
本报告深入探讨了SemiBeta因子在中国A股市场高频维度的表现,通过基于日内1分钟和5分钟数据构建的高频因子,实证了SemiBeta因子相较于传统Beta因子有显著的Alpha捕捉能力,尤其在中小市值股票池表现更为突出。
从整体结果来看:
图表直观展现了因子随时间的稳定性和收益路径,支持了SemiBeta理论的实证应用深度。报告为中国A股市场提供了创新维度的Beta细化研究框架,有助于投资者构建更符合风险偏好的量化策略。
总结来看,尽管存在因子选择的负IC特征需结合反向策略使用,SemiBeta高频因子在捕获市场风险细分波动中表现出良好潜力,具有实用的投资研究价值和策略可操作性。,2,4,6,7,10,12,14]
图1:不同SemiBeta结构的资产对比
图2:semi_beta_N_SH000852 因子IC值
图3:semi_beta_N_SH000852 因子多空收益
图6:semi_beta_P_SH000852 因子IC值
图7:semi_beta_P_SH000852 因子多空收益
【完】
【广发金融工程】再谈SemiBeta因子:高频测算——多因子Alpha系列报告之(四十七).pdf