本报告基于高频盘口数据挖掘出4个关键高频量价选股因子,包括订单失衡(VOI)、订单失衡率(OIR)和市价偏离度(MPB),并将其降频至月度因子进行回测。MPB因子表现最佳,年化多空收益21.24%、夏普比率2.68。报告详细分析因子低频反转现象,并结合大量实证图表及相关性检验,展示因子构造、转低频方法及选股效果,验证了高频量价信息在股票选股中的显著价值,为量化选股策略提供了新思路 .
| 因子 | FloatCap | ROIC_TTM | Momentum_12m | Beta_100w |
|---|---|---|---|---|
| VOI1 | 0.55 | 0.35 | 0.31 | -0.41 |
| VOI2 | 0.20 | -0.56 | -0.51 | 0.31 |
| OIR | -0.12 | -0.49 | -0.66 | 0.51 |
| MPB | 0.50 | 0.27 | 0.19 | -0.24 |
| 因子 | IC均值(%) | 年化多空收益(%) | 夏普比率 | 最大回撤(%) | 胜率(%) |
|---|---|---|---|---|---|
| VOI1 | -2.74 | 12.45 | 1.69 | 7.22 | 70.00 |
| VOI2 | -3.35 | 14.73 | 1.87 | 8.19 | 76.67 |
| VOI2剔除ROIC_TTM等相关因子 | -3.59 | 15.12 | 1.91 | 9.08 | 73.33 |
| OIR | -3.7 | 16.05 | 1.45 | 14.87 | 70.00 |
| OIR剔除Momentum_12m | -4.19 | 17.75 | 1.66 | 12.55 | 72.50 |
| MPB | -5.23 | 21.24 | 2.68 | 4.27 | 76.67 |
核心论点与目标:
本文利用国内股票市场高频级别的盘口交易数据,设计并提取四个代表性的高频量价选股因子(订单失衡VOI、订单失衡率OIR、市价偏离度MPB),并将这些高频因子经过技术处理转换为月频低频因子。研究显示,这些因子特别是MPB因子在全市场回测中取得显著的选股能力,且夏普比率和年化多空收益表现优异。报告试图揭示高频因子向低频因子的逻辑转变及背后的市场行为逻辑,进而为构建新型量价因子体系提供理论和实证基础。,1]
报告指出,传统基于财务和低频量价数据的选股因子逐渐饱和且有效性减弱,市场对高频数据中隐藏的交易意图和情绪信息的挖掘需求旺盛。高频盘口数据(即买卖五档的委托价格和量)能较精细地反映投资者短周期买卖意愿,对把握股票价格走势起关键作用。以浦发银行某天的委托盘口实例说明了买一量大说明短期买压强,价格上涨可能性大。
VOI因子衡量买卖委托量之间不平衡程度,反映市场的多空力量对比。研究引用Chordia等文献支撑VOI与未来收益正相关的市场微观结构理论。VOI不仅仅看第一档,而是通过衰减加权考虑五档委托量,以防止信息遗漏。该因子标志着知情交易者对股票的买卖意向,反映出投资者基于消息和情绪差异的头寸调整。
OIR是VOI的补充,衡量买卖委托量差值在总委托量中的比例,体现不平衡程度相对强度。高绝对值表明买卖压力显著。OIR优于VOI的地方在于其规范化处理,避免只看量差导致的信号误判,如VOI能表明为100,但OIR仅0.2提示信号弱。此因子捕捉了市场买卖力量的相对比例,便于区分强弱买卖信号。
MPB通过计算平均交易价格与买一卖一的中间价的差值,反映交易价格对盘口报价的偏离程度,是定价偏离的均值回归指标。若成交价偏高接近卖价,卖压较大,价格后续倾向下跌;若成交价偏低接近买价,买压较大,价格后续倾向上涨。该因子利用高频成交价与挂单价的动态关系揭示卖方或买方发起交易的压力分布。
将高频分钟因子转换成低频(以月为单位)因子,采取以下步骤:
该处理方法保证了高频信息的有效整合,并规避了因跨时间尺度转换可能导致的信号衰减问题。
| 因子 | 高频影响方向 | 低频影响方向 | 交易逻辑总结 |
|---|---|---|---|
| 订单失衡VOI | 正向 | 反向 | 高频体现买卖压力带来价格短期走势,低频因量欺骗性影响导致趋势反转 |
| 订单失衡率OIR | 正向 | 反向 | 与VOI类似,但纳入委托量比例调整,更准确反映买卖力量 |
| 市价偏离度MPB | 负向 | 负向 | 成交价偏离中间价代表买卖压力,均值回归,未来价格沿相反方向运动 |
该表体现了因子短期和长期效果的差异性,指出量相关因子的双重特性。
报告对四个因子在2010-2019年区间全市场月频调仓(剔除停牌、ST等特殊股)进行单因子回测,数据经极值处理,中性化处理。回测结果如下:
VOI1:
VOI2(及剔除ROIC_TTM/Momentum_12m后的改进版):
OIR(及剔除Momentum_12m后的改进版):
MPB:
以上数据和收益曲线(图7-12)表明因子具备长期稳定的选股能力与风险调整后超额收益,尤其是MPB因子表现突出。
报告主要专注于因子设计及其选股表现分析,未涉及具体个股估值估测,因此无形式的DCF、P/E等估值模型应用,此部分不适用。
报告中的风险提示隐含于因子逻辑反转部分,具体为:
报告未明显提出具体缓解策略,但建议针对高相关度因子做中性化处理,以剥离多余风险并提升纯净信号质量。,9,14]
本文深度挖掘和实证分析了基于中国A股高频盘口数据中量价关系的四个核心因子——订单失衡(VOI)、订单失衡率(OIR)及市价偏离度(MPB)。研究首先从高频分钟级别精细构造因子,通过标准化、聚合和时间衰减权重技术转化为月频低频因子。结果表明:
总体而言,该报告为A股市场量价高频因子的深度开发树立了一个专业范例,尤其揭示了高频信号在转换为低频投资信号时的复杂性和潜在风险,强调投资者需要理解因子背后的市场微观结构和行为模式。报告提出的MPB因子表现尤为突出,是未来高频量价选股策略开发的重要突破口。
报告引用了Chordia等关于订单失衡与股票收益的经典文献,以及Cont等关于盘口事件价格影响的研究,确保理论及实证基础的严谨性。
中信建投证券金融工程团队通过深入挖掘盘口高频数据,系统设计了4个高频量价因子,并转换为实用于低频选股的因子体系,验证了其稳定、高效的投资表现。特别是市价偏离度因子展现了出色的收益-风险特征。报告同时深刻剖析了量价因子高频向低频转化的内在逻辑与“逻辑反转”现象,为中国市场高频量价因子理论与应用提供了前沿思路和方法论,具备较强的实用参考价值和研究创新性。
图3:高频量价因子低频化后的逻辑反转例子1
图4:高频量价因子低频化后的逻辑反转例子2
图5:高频量价因子低频化后的逻辑反转例子3
图6:高频量价因子低频化后的逻辑反转例子4
图8:VOI2因子选股效果
图8:VOI2因子选股效果
图9:VOI2剔除ROIC_TTM和Momentum_12m因子选股效果
图10:OIR因子选股效果
图11:OIR剔除Momentum_12m因子选股效果
图12:MPB因子选股效果
,1,2,3,4,5,6,7,8,9,10,11,12,13,14]
(注:报告全文结构完整,研究视角深刻,数据详实,逻辑清晰,适合对高频量价因子选股模型有兴趣的专业投资者及量化研究人员深入研读。)
因子深度研究系列:高频量价选股因子初探.pdf