本报告系统梳理广义拥挤度的定义及量化计算方法,重点构建了17个基于成交属性和维度属性匹配的选股因子,剔除行业与风格影响后仍具备显著选股能力。报告阐述了三种常用计算方法及因子相关性、风险指标,并通过全市场及中证800的分组回测验证因子的有效性,确认拥挤度因子与传统量价因子相关但具差异化收益特征,为量化选股提供新视角与方法指导
| 维度属性 | 成交属性情况 | 因子名称 | 计算方法 | 因子逻辑 | 理论方向 |
|---|---|---|---|---|---|
| 时间 | 成交量 | 开盘成交占比 | 开盘5分钟成交占比 | 过度交易 | -1 |
| 价格 | 成交量 | 高价成交占比 | 最高20%区间成交量占比 | 羊群效应 | -1 |
| 价格 | 成交量 | 低价成交占比 | 最低20%区间成交量占比 | 羊群效应 | 1 |
| 波动率 | 成交量 | 波动加权成交占比 | 日度波动率加权成交量占比 | 风险偏好 | -1 |
| 量 | 均价 | 高成交量交易成本 | 高成交量区间均价比全区间均价 | 羊群效应 | -1 |
| 每笔成交量 | 收益率 | 高每笔收益率 | 高成交密度区间收益率 | 过度交易 | -1 |
| 方向 | 成交量 | 主动资金流入 | 主动资金流入占比 | 多空力量 | -1 |
本文是一份名为《高频因子(十三):广义拥挤度》的深度金融工程研究报告,由长江证券研究所发布,发布日期为2023年7月23日。该报告的核心研究主题围绕“广义拥挤度”这一量化因子展开,探讨了成交属性和维度属性在股票交易中的匹配关系及其在选股中的有效性。报告作者郑起(SAC编号:S0490520060001)为资深分析师。报告旨在系统整理广义拥挤度相关的17个选股因子,展示其对股票价格行为的刻画能力及选股价值,结论指出这些因子即使剔除行业和风格线性影响后,仍有显著的选股能力。
报告首先定义了广义拥挤度为“某成交属性在某维度属性上的情况”,即成交属性(如价格变动收益率、成交成本等)与维度属性(基于交易行为区分的数据特征)之间的匹配关系。通过交易行为和成交属性的结合,分析交易活动的内在逻辑。
报告整理了17个选股因子,涵盖时间、均价、波动率、成交量、每笔成交量和方向等方面,系统地刻画交易拥挤现象。重要的是,报告强调因子与传统量价因子高度相关,但剔除风格和行业之后,这些因子仍有独立的选股能力,体现了其作为高频因子的价值和创新性。
报告也提出风险提示,模型存在失效风险,且所有举例基于历史数据,不保证未来收益,2]。
报告回顾了狭义的拥挤度定义,交易拥挤度即成交量等在某一特定交易属性上的分布,如价格区间成交量相关性、高波动区间成交占比等。报告中图1展示了2005年至2022年沪深300指数及两种交易拥挤度指标的动态变化,表明量价相关性和高波动占比体现了市场风险偏好。
基于此,广义拥挤度被定义为成交属性(不仅限于成交量,还可包括收益率、均价、资金流入等)在维度属性(时间、价格区间、波动率区间等)上的表现。通过局部计算(某区间成交量占比)、加权计算(以成交属性加权成交量占比)和相关性计算(成交属性与维度属性的线性相关)三种方法,刻画交易行为匹配程度。
报告指出组合维度属性和成交属性时需防止测量同一交易行为,避免“天然正向匹配”且无选股能力的情形。举例包括成交量与非流动性因子的嵌套,收益率与主买比例的重复度等。
文中还提及相关研究,暗示广义拥挤度框架具备扩展性和关联性.
报告详细解释三种计算方法:
第六页表2详细展示这些计算方法下,不同维度属性(成交量、每笔成交量、波动率)与成交属性(收益率、均价等)因子之间的相关性矩阵,发现同一维度和成交属性下因子高度相关,但计算方法表现上有所区分,例如局部计算产生的高低区间因子负相关明显,说明信息分布的变化。
风险指标比较(表3)表明不同计算方法对因子风险暴露的影响,指导实操中采用哪种方法更为稳健。
总结时强调因子组合需有交易行为逻辑,避免同属性拥挤度带来的无效因子(表4),同时证明交叉属性拥挤度因子本质相同,但存在表现差异(表5).
报告聚焦成交量与每笔成交量的区别,指出成交量作为活跃度标准,构建的拥挤度因子具备选股能力,而每笔成交量(代表成交密度,反映交易单大小差异)构建的因子无选股能力(表6)。
基于成交属性收益率的拥挤度因子分析(表7、表8)表明不同维度属性选择的因子表现差异,但整体均表现出一定的反向动量特征,符合市场短期反转机制。
最终,报告确认17个有效的广义拥挤度选股因子,涵盖时间、价格、波动率、成交量、每笔成交量和方向6个维度属性和5个成交属性不同组合的因子,涵盖开盘成交占比、价格区间成交量占比、波动率加权成交量及资金流入等,明确对应的因子逻辑如羊群效应、风险偏好、多空力量等,并给出理论因子方向(多数为负向,符合反转逻辑)(表9).
表10和表11展示了广义拥挤度因子内部的相关性和风险表现:
图2与图3展示了高成交量每笔成交因子在全市场及中证800的分组回测净值表现。不同分组的净值曲线表现差异明显,显示因子有效捕捉了股票收益的差异化,具备较强的投资价值.
拥挤度因子与传统风格因子存在显著关联,特别是在量价、反转、换手率和波动率维度(表12),显示这一因子体系在一定程度上具有传统量化因子的风格特征。
在剔除行业和风格影响后的中性风险调整分析(表13)中,多数因子依然保留了其选股能力和显著超额收益,尤其量价相关因子展现稳定的多空收益和信息比,表明拥挤度因子具有较好的独立性和预测能力。
图4、图5通过回测净值展示了剥离风格和行业中性后的高成交量每笔成交因子依然稳定跑赢基准市场,验证了因子的选股价值在净化因子后仍被市场认可.
总结部分再次强调广义拥挤度的定义、计算方法和因子组合逻辑。三种计算方法虽形式不同,但本质都是匹配维度属性与成交属性,需保证组合逻辑合理避免无效因子出现。共识整理的17个因子覆盖了广义拥挤度研究的核心,且大多数因子在去风格、去行业的条件下依旧保持有效性。
风险提示部分提醒模型可能因宏观经济环境和市场交易行为演变而失效,且所有举例基于历史数据,未必适用于未来,提示投资者谨慎参考.
报告聚焦因子研究和回测表现,无涉及具体公司或行业的估值模型构建,因此未包含经典DCF、市盈率计算等估值内容。
报告明确提出两大风险:
该风险提示客观反映量化模型的普遍限制,没有提出具体缓解策略,但强调投资者需保持谨慎态度,18].
报告方法上系统细致,因子逻辑明晰,但以下几点值得注意:
本报告全面系统地定义并拓展了“广义拥挤度”因子,从单一成交分布拓展至成交属性与维度属性的匹配分析,提出三大计算方法(局部、加权和相关性),并构建了17个具有代表性的广义拥挤度选股因子。报告强调:
报告同时保持谨慎态度,强调模型受宏观环境影响存在失效可能,并提醒投资决策基于历史表现不保证未来收益。
整体而言,报告为量化研究提供了基础严谨且实操性强的高频因子框架,广义拥挤度因子的定义和筛选方法为交易行为分析提供了新视角,适合量化投资者和研究机构进一步拓展和应用。
以上分析严格基于报告内容构建,引用页码均已明确标注,确保研究透明且可追溯。
高频因子(十三):广义拥挤度.pdf