本报告利用傅里叶变化将股票交易量时序数据从时域转换为频域,提取高频交易峰值以探测机构算法交易的活跃度。构造了三个特征B+S、B-S、B/S,分析其与股价中短期涨跌幅的相关性及平稳性。结果显示,B+S与周涨跌幅呈负相关,反映机构交易活跃度与股价下跌趋势相关,且大多数股票的B-S表现出显著平稳性,算法单交易方向与股价变动方向一致,机构算法交易活跃度能够预测收益趋势,为挖掘机构动向提供了有力工具
高频数据的技术原理与作用
高频算法交易峰值识别及数据处理技术
关键指标构建与统计分析
| 特征 | 均值相关系数 | 相关系数分位数 | 平稳性显著比例 | 截面相关t值 | 显著性水平 |
|---|---|---|---|---|---|
| B+S | -0.0559 | 75%分位:0.0014 | 86.3%股票(10%) | -2.070 | 10%显著 |
| B-S | 0.0035 | 大部分为正 | 99.9%股票(1%) | 2.015 | >10%(不显著) |
| B/S | 0.0029 | 75%以上为正 | 37.9%股票(10%) | 3.381 | 10%显著 |
量化因子构建及应用价值
——《利用高频数据监测机构动向》,国泰君安证券研究,金融工程团队,2021年
报告标题:《利用高频数据监测机构动向》
作者与机构:金融工程团队,主导分析师陈奥林、刘昺轶、杨能等,国泰君安证券研究所
发布日期:报告数据时间截至2021年7月,报告发布时间大约为2021年7月底至8月初
研究主题:应用傅里叶变化这一信号处理工具,从高频交易数据中探测机构投资者通过算法交易的活跃度,揭示机构动向与股价变动的关系,挖掘股价趋势预测信号。
核心论点与结论概述:
报告首先回顾了算法交易在全球特别是美国市场的快速增长历程,指出2003年算法交易在美股占比仅约15%,到2010年达到70%左右,且基金经理中79%至少使用过一次算法交易,每日交易次数激增,成交笔数大幅提升但单笔订单规模缩小。结合计算能力和机器学习技术的发展,算法交易在中国市场得到加速应用。
强调传统大单与小单区分不足以有效捕捉市场行为,因为算法交易往往将大额订单拆解为等额小单并均匀发送,因此难以预测价格变动。由此,傅里叶变化被引入以识别市场高频交易成分,辨别机构和个体投资者的交易活动。算法交易作为机构参与市场的主要手段,其规模变化成为判断机构意愿及预测股价趋势的关键变量,3]。
傅里叶变化原理
报告通过图示(图1)清晰展示傅里叶变化将时域信号分解成不同频率成分的机制,阐述了连续傅里叶变换及逆变换的基本公式,继而介绍离散傅里叶变换(DFT)公式以适应离散的交易数据。DFT通过对样本点求和,转换出每个频率成分的幅值和相位,帮助识别交易量序列中的周期性规律和频率成分。
具体说明频谱峰值代表了信号中存在显著的周期性交易行为,较多的峰值反映了复杂且频率多样的交易策略。给出时域信号与其频域表示(频谱图)的直观对比(图2,图3),通过典型示例进一步说明傅里叶分析在信号处理中的实用性,4]。
傅里叶变化广泛应用于物理学、电子学、医疗影像等领域,用于信号分解、降噪和特征提取。举例医疗信号频率变化反映生理状态,及图像去噪前后的示例(图4,图5),生动说明傅里叶变化可有效滤除噪声,提取信号内在规律。
这一理论基础为将傅里叶变化应用于金融交易数据奠定了有力支撑,表明时域至频域转换能帮助剖析复杂数据中的交易频率特征,进而甄别算法交易和市场操控,5]。
报告针对A股数据指出:
利用2020年7月3日至2021年7月2日共计一年间的800只A股盘口快照和委托队列数据,间隔3秒,进行高频数据分析。数据清洗排除异常点,保证价格、成交量非零且无空值。
因正式买卖方向数据不可得,采用订单流算法根据成交价与买一、卖一价关系推断交易方向,详细定义了判断规则,对成交价格与买卖一价的相对位置进行类别划分,7]。
采用快速离散傅里叶变换(DFT)计算日内买卖单交易量的频域表现,使用峰值检测算法筛选显著峰值,峰值代表交易频率出众、固定,体现机构算法交易。通过调整“prominence”参数,控制峰值的显著性,保证筛选结果可靠。具体用例来自万科2020年9月16日的交易数据,展示买卖单交易量及其对应频谱峰值(图6,图7),峰值个数比重仅为总频率的0.5%,峰值多寡即反映机构参与度高低,8]。
构造三个核心指标:
统计分析显示,B+S与周涨跌幅呈一定负相关,均值约-0.0559,表明机构越活跃,股价短期趋向承压下跌。B-S、B/S相关系数均较小,但在机构持仓多的特定股票(如万科、贵州茅台等)中相关性更明显,反映机构买卖力量对短期涨跌的影响,10]。
运用ADF统计方法检验时间序列的平稳性:B-S指标在99.9%股票中于1%显著性水平表现平稳,B+S在10%水平下有86.3%股票表现平稳,B/S指标平稳性较低,仅约37.9%具备统计意义上平稳性,显示多数核心指标在时间序列层面趋势稳定,适合用于后续建模与预测。
计算日度截面秩相关系数,t检验结果表明B+S与周度股价涨跌幅显著负相关(t值-2.070,p=0.065),机构活跃度越高,股价短期下跌概率越大。B/S指标因反映买卖比例,呈现正相关(t=3.381,10%水平显著),展示机构交易方向与股价变动方向一致。B-S指标相关性不明显,11]。
报告主要围绕金融工程量化信号提取,并未涉及传统意义上的公司估值分析(如DCF、PE估值等),因此无估值方法论及其参数分析。本报告的价值更多体现在市场微结构分析及高频信号的预测应用框架构建。
报告未设专门章节详述风险因素,但通过内容可推断以下潜在风险:
报告未明确缓解措施,建议后续结合更多验证方法、多市场对比,提升模型稳健性和适用范围。
总体看,研究提供了有价值的新视角但仍为探索性成果,理论与实证结合有待进一步加强。
本报告首次系统利用傅里叶变化,创新地将信号处理技术应用于高频买卖交易数据,成功识别出市场中显著的算法交易信号峰值,以此构建了B+S、B-S、B/S三大关键特征,作为机构参与度和买卖方向的量化指标。通过大量A股样本与典型股票实证分析,报告发现:
图形与表格紧密配合,数据充分彰显傅里叶变化在金融领域高频数据挖掘的有效性及潜力。报告结论为投资者和量化策略设计者提供了识别机构行为和预判短期股价走势的新工具,并指明了未来深化算法交易研究的方向。整体报告体现出专业的技术深度与对市场微观结构的洞察。
(本分析全程基于报告内容,页码标识详见每处引用)
20210730-国泰君安-算法交易系列二:利用高频数据监测机构动向.pdf