金融研究报告详尽分析报告——《APM因子模型的进阶版》
一、元数据与报告概览
- 报告标题: APM因子模型的进阶版
- 作者: 魏建榕(分析师),苏俊豪(联系人)
- 发布机构: 开源证券股份有限公司金融工程研究团队
- 发布时间: 2020年3月7日
- 主题: 量化选股因子模型研究,具体聚焦于APM因子在A股市场的构建、实证表现及策略改进
- 报告系列: 这是“市场微观结构研究系列”的第5篇,前系列涵盖A股反转力、交易行为因子、聪明钱因子及行业动量动因分析
- 核心论点:
- 原始APM因子基于股票上午(am)与下午(pm)价格行为差别的假设,历史表现优异,但2019年出现持续回撤导致表现失效
- 通过对日内不同时间段股票收益性质的深入分析,发现上午收益对未来收益的预测性在2019年发生了反转,导致原因子失效
- 改进后的APM因子引入对隔夜收益的计算,重新定义选股因子,显著提升2019年及近年来的表现稳定性和收益性
- 进一步拓展将分时段因子应用在不同样本及结合W式切割法(基于成交额切割的反转日识别),构造出表现更优的OVP因子
- 投资意见与风险提示: 该报告主要是策略研究与因子开发,提醒市场存在未来不确定性风险,模型基于历史数据,可能未来表现不及预期
二、逐章节深度解读
1. 引言:股票价格行为存在日内模式
- 论点总结:
日内股票价格表现中存在显著差异,尤其上午市场更能体现知情交易概率(informed trading probability),该概率在日内呈“倒J”形,开盘后知情交易比例最高,并迅速下降。基于此,APM因子模型诞生,旨在挖掘上午与下午价格行为差异作为选股信息。
- 支撑理由:
由于交易每日间断,开盘后会释放隔夜累积的信息,上午更富含选股信号,故对上午和下午价格行为分段建模具备理论和市场微观结构基础。
- 数据依据: 研究团队此前已发表多篇关于市场微观结构与行为差异的研究报告,深度挖掘A股微观特征,APM量化因子是此领域成果之一。
- 结论意义: 显示了分时段内价格走势的规律性与信息含量差异,从理论上支持采用时段差异进行因子构建
2. 2019年原始APM因子表现不佳
- 关键论述:
- 原始APM因子采取上午与下午20日收益残差差分,通过统计学方法(回归剔除指数收益、剔除动量影响)计算因子值。
- 因子在2013年5月至2016年10月的样本内表现突出——年化收益15.9%,最大回撤2.52%,信息比率(ICIR)2.84,月度胜率78.6%。
- 但样本外(2016年11月至2019年12月)表现大幅下滑,年化收益降至6.41%,最大回撤达到5.72%,2019年表现尤其差,连续回撤。
- 方法逻辑及技术细节详解:
- 第一步通过对上午与下午股票及市场指数收益率进行回归,计算残差,剔除市场共同波动影响。
- 第二步计算上午与下午残差差值,形成差异统计量stat,再剔除动量因子对stat的横截面影响。
- 第三步通过该残差值构造因子的预测信号,捕捉日内价格行为差异关系。
- 数据点解读与意义:
- 回测指标表现强烈说明因子在样本内具备显著收益和稳定性,但多空对冲收益下降及回撤加大提示模型发生结构性失效或市场特征变迁。
- 结论启示: 传统上午/下午收益差分构建模式在2019年已无法维持有效信号,许多量化因子可能面临时代与市场变迁的适用性考验
3. 2019年APM因子失效源于上午收益性质反转
- 论点:
- 通过分析上午与下午收益与未来20日股票收益的相关性指标ICIR,发现2019年上午收益与未来收益的相关性从正转为负,而下午收益相关性依旧为负。
- 这种反转直接导致APM因子失效,因为APM因子基于上午收益具备正预测性假设。
- 数据验证说明:
图2中蓝色(全样本)显示上午收益与未来收益为正相关,而黄色(2019年)则表现为明显负相关。下午收益负相关特征全年基本稳定。
- 推理与假设: 可能与市场的流动性、投资者行为或者宏观/微观信息对市场反应机制在2019年发生结构性变化有关。
- 结论: 上午收益作为因子核心成分因市场结构改变失效,揭示了单纯时段划分并不足以保证模型的鲁棒性,必须对时段划分及因子构造策略进行动态再设计。
4. 改进后的APM因子设计与表现
- 改进思路:
- 将日内收益划分更细致,包括隔夜、上午分为多个交易小时段和下午等5个时段,重点引入隔夜收益数据代替上午连续竞价时段收益,以更好捕捉隔夜累积信息对开盘价格的影响。
- 理由在于集合竞价阶段交易量占比最高,反映了隔夜信息交易的显著影响,而原APM因子未纳入集合竞价信息。
- 技术细节:
- 重新定义APM因子,第一步使用隔夜收益替代上午收益,其余回归剔除行业和市值等影响保持一致,得到新的改进APM因子APMnew。
- 表现与数据:
- 图6展示APMnew长期多空对冲净值明显优于APMraw。
- 表1回测指标中,APMnew年化收益率12.81%,信息比率3.17,最大回撤仅2.32%,月度胜率81.25%,相比原因子年化收益提升1.82个百分点,回撤大幅缩小近三分之一,月度胜率提升显著。
- 结论: 细化时间段分割,尤其重视隔夜收益的市场信息传递作用,显著提升因子稳定性与收益能力,验证混合多时间段选股信号优于单纯上午/下午区分
5. 进一步探讨与多维度应用
- 样本空间异质性:
- 图7显示,改进因子APMnew在中证500成份股中的表现优于全市场表现,沪深300表现一般,暗示中市值规模股票更适合应用该因子。
- 多因子时间段比较试验:
- 利用表2列示不同因子的时间段组合,构建多种APM版本因子。
- 图8中,包含隔夜收益的因子如APMnew和APM1(隔夜+14:00-15:00)在2019年表现最佳,纯日内段因子表现较弱,特别是中午交易活跃度较差导致信号弱化。
- 创新结合W式切割法:
- 利用日均单笔成交额大小进行W式切割,选出反转最强的交易日。
- 构建OVP因子(隔夜收益减下午收益),与传统AVP因子(上午收益减下午收益)比较,图9和表3清晰显示OVP因子收益率18.04%、ICIR高达4.17,回撤仅2.21%,月度胜率达86.25%,显著优于AVP因子。
- 解读: W式切割技术的融入和隔夜收益的凸显体现了市场微观结构研究的深入,模型构建结合实际市场交易行为和分时段特征,体现创新性。
- 结论: 把握更多维度的时间分割和结合市场特征的切割法,才能生成更稳健、回撤更小、信息含量更高的多空对冲因子。
6. 风险提示
- 风险声明: 模型基于历史行情数据,未来市场结构可能发生变化,导致模型失效。
- 流动性风险与市场行为变化均可能加大模型波动和回撤风险。
三、图表与表格深度解读
图1: 原始APM因子在2019年的表现并不理想
- 展示了原始APM因子从2013年中开始,净值呈持续上涨,在2016年末开始进入样本外期,之后增长减缓,到2019年表现持续疲软,净值曲线趋于平稳甚至回落。
- 该图生动证明了样本内与样本外性能差异及2019年的回撤风险。
- 作用于文字说明,直观反馈因子实际盈亏态势。
图2: 上午收益ICIR全样本为正,2019年为负
- 图柱对比全样本与2019年的相关系数:上午收益的预测能力从正转负,下午收益持续负相关,强调上午收益预测能力结构性变化。
- 该图为后续对改进因子减少风险和提升稳定性的逻辑基础。
图3: 日内分时成交量占比
- 显示9:30集合竞价阶段成交量占全天最高,说明集合竞价承载隔夜信息释放,交易集中程度高。
- 从理论上解释了为什么隔夜收益纳入因子能够带来明显信息增量及提升。
图4与图5: 隔夜到下午ICIR逐步降低趋势
- 图4(全样本)呈明显从正到负递减趋势,表明收益的预测性日内递减,上午到下午的预测效果下降。
- 图5(2019年)则趋势不明显,尤其上午时间的ICIR负数幅度放大,验证上午收益预测能力受挫。
- 支撑改进因子设计的必要性。
图6: 新旧APM因子对比净值提升
- APMnew红线长期超过APMraw蓝线,2019年优势更明显,体现最大回撤较低,收益稳定性提升。
- 直观反映模型改进效果。
表1: 改进因子优于原始因子回测指标
| 回测指标 | APMnew | APMraw |
|---|
| 年化收益率 | 12.81% | 10.99% |
| ICIR | 3.17 | 2.07 |
| 最大回撤 | 2.32% | 5.72% |
| 月度胜率 | 81.25% | 70% |
- 显示改进模型年化收益提升,风险(最大回撤)大幅缩减,信息比率与月度胜率提升说明信号质量大幅改善。
图7: 不同样本空间表现
- APMnew在中证500表现最优,沪深300相对表现弱,说明中等市值股票中反转信号及微观结构特征表现更明显。
表2: 不同APM因子对应的时间段设计
| 因子名称 | 时间段1 | 时间段2 |
|---|
| APMraw | 上午(9:30-11:30) | 下午(13:00-15:00) |
| APMnew | 隔夜 | 下午(13:00-15:00) |
| APM_1 | 隔夜 | 14:00-15:00 |
| APM_2 | 9:30-10:30 | 14:00-15:00 |
| APM_3 | 10:30-11:30 | 13:00-14:00 |
- 展现模型灵活设计,验证不同时间段对因子效果的影响。
图8: 多因子表现比较,APMnew最佳
- 2019年APMnew表现最为强劲明显,尤其相比纯日内小时因子,凸显隔夜因素关键作用。
图9: OVP因子优于AVP因子
- OVP因子(隔夜-下午)与AVP因子(上午-下午)相比,收益曲线更加陡峭,回撤更低,表现优异明显。图形红蓝对比一目了然。
表3: OVP相比AVP关键回测指标大幅提升
| 回测指标 | AVP因子 | OVP因子 |
|---|
| 年化收益率 | 3.00% | 18.04% |
| ICIR | 0.15 | 4.17 |
| 最大回撤 | 11.32% | 2.21% |
| 月度胜率 | 53.75% | 86.25% |
- OVP因子在2020年测试基于的历史样本中展现了极强的量化选股信息含量,接近6倍年化收益与回撤指标改善。
四、估值分析
本报告不包含具体上市公司股票的估值分析,主要为量化因子模型研发与回测,不涉及买卖建议、估值方法(如DCF、PE等)。因此,无估值解析,专注于因子构建与策略性能提升的研究。
五、风险因素评估
- 模型适用风险: 历史回测表现不代表未来收益,尤其因子来自对历史市场微观结构的统计推断,未来市场结构、投资者行为、政策环境可能变化。
- 因子失效风险: 2019年APM原因子大幅回撤即风险案例,提示单一时段划分风险,需警惕因子稳定性。
- 数据质量风险: 分时数据精度与同步性影响因子计算准确性。
- 市场流动性风险: 流动性恶化可能导致交易成本增加,影响多空对冲策略执行。
- 缓解策略: 报告通过引入隔夜收益和拓展时间段拆分、结合W式切割方法构建更稳健因子,意在降低模型的结构性失效风险。
- 但报告并未量化发生概率,提示读者需警惕实际运用中连续回撤可能。
六、审慎视角与细微差别
- 报告方法论严谨,数据支撑充分,但对2019年异常结构变化的原因多为“猜想”,缺乏具体微观行为或宏观事件的深度解释。
- 对不同样本市场表现的差异虽有描述,但原因剖析较为粗略,进一步细分不同行业及市场环境的差异性可能更合理。
- 因子优化侧重于隔夜分段收益引入,仍需关注数据滞后反应及跨时段信息的连续性问题。
- 报告提出的W式切割方法创新有参考价值,但具体计算流程与参数披露不足,使用者需自行验证适用性和潜在过拟合风险。
- 因子模型本身依赖大量历史数据,样本选择与剔除步骤可能带来“历史拟合”潜在风险。
- 报告虽有风险提示,但未深挖策略在极端市场波动时期的表现,如2015年股灾等,未来需补充此方面分析以提升完整度。
七、结论性综合
该研究报告系统梳理了APM因子从2013年至2019年的表现演变,揭示了原始APM因子在2019年失效,主因来自上午收益对未来表现的反转,具体表现为上午收益预测性由正转为负。同时,报告指出隔夜收益相较上午收益,信息含量更为稳定和积极,因而改善模型核心构建步骤,将上午收益替代为隔夜收益,衍生出改进后的APMnew因子。此因子无论年化收益率(提升至12.81%)、信息比率(3.17)、最大回撤(缩减至2.32%)还是月度胜率(81.25%),均较原始APM因子表现更优。此外,详细图表(如图6、7、8)充分体现了改进因子在不同样本空间及全市场的优越表现,且结合W式切割方法创新开发了OVP因子,该因子进一步提升了收益能力(18.04%年化),显著缩减风险,展现出极佳的多空对冲稳定性。
分时收益率的细致划分及对隔夜阶段的深刻挖掘揭示了A股市场微观结构中隐含的定价机制和信息传递路径,模仿市场知情交易概率的“倒J形”特征以构建选股因子,开辟了量化选股的有效方向。报告图表充分验证了因子性能改进的真实性及稳定性。风险提示明确无误,提醒模型基于历史数据且市场未来可能发生变化,投资者应谨慎运用。
总体上,该报告是一份严谨的金融工程研究成果,展示了因子模型研究从理论启发、实证分析到模型迭代优化的完整思路,兼顾市场微观结构学理依据与量化回测数据验证,为A股量化策略开发提供了创新路径和参考价值。
参考图片汇总
图1:
图2:
图3:
图4:
图5:
图6:
图7:
图8:
图9:
(全文共约1600字)