本报告系统研究了Amihud(2002)提出的非流动性指标ILLIQ在A股的有效性,针对其空头端表现弱和稳定性不足问题,基于弹性网络模型提出非流动性预测因子ILLIQ_F及半非流动性指标改进因子,显著提升了因子预测能力和收益表现。此外,报告进一步以日内绝对收益替代日间收益构建新型非流动性因子,有效性更强,并验证了该因子在不同股票样本池的优异表现,为A股流动性风险因子构建提供了创新思路与实践路径
Amihud(2002)ILLIQ因子的构建及有效性验证
使用弹性网络方法构建的非流动性预测因子ILLIQ_F
非流动性因子-因子分解及半非流动性指标构建
基于日内绝对收益的非流动性因子创新
因子中性化及行业效应分析
不同股票池表现及实证总结
报告核心论点:
整体上,报告既有理论深度又结合了丰富的实证分析,给出了科学的因子改进路径和实际投资的研究支持。,
关键论点:
报告阐述了流动性在市场和个股定价中的核心地位,特别强调预期未来非流动性对股票收益的正向补偿关系。Amihud(2002)ILLIQ指标通过将每日绝对收益与成交额比值构成,简单有效地反映了股票非流动性水平。
构建及回测框架:
因子以自然对数形式计算,旨在减轻偏态影响;样本期从2012-01至2023-04,股票权重等权,剔除停牌、涨跌停及ST股等,剔除最小市值200只。
回测数据显示ILLIQ因子IC均值6.95%,t值5.90,显著。分组年化收益单调递增,多头年化18.14%,多空19.36%。但存在两个不足:
宏观经济影响:信用利差作代理变量,流动性好时ILLIQ收益表现较弱,流动性差时表现较好,说明市场整体状况对因子表现有较大影响。
此节建立了ILLIQ因子在中国A股市场有效性的基础,同时明晰其应用局限与市场环境相关性。, ,
弹性网络模型简介:
利用L1(Lasso)和L2(岭回归)正则化结合,增强模型对多重共线性和稀疏性的处理能力,适合用于含相关预测变量的非流动性预测。
预测变量涵盖:
模型训练及验证:
采用滚动5年数据,4年训练1年验证,参数调优,最后用最优参数对下一期非流动性进行预测。
效果对比:
将预测模型与简单使用上期非流动性作为预测基准比较,弹性网络模型在大部分截面均显著减少MSE(时序均值由0.16降至0.05),表明模型预测更精准且稳定。
使用预测值构建ILLIQ_F因子,其IC均值9.15%,t值7.14,更优于原ILLIQ,
ILLQ_F回测表现:
分组测试年化收益更优,最高组年化达25.54%,多空组合年化收益接近28%。多头超额收益提升约7个百分点。整体表明通过预测提升了因子有效性。
ILLIQ_UE因子:
将市场预期与超预期非流动性(ILLIQ_UE=已实现ILLIQ-预测ILLIQ_F)作为因子,测算结果IC均值5.58%,表现虽弱于ILLIQ和ILLIQ_F,但仍具预测能力,反映市场中非预期因素对收益影响。
研究动机:
认为上涨与下跌市场流动性风险不同,投资者更关注下跌市场的流动性风险,担心价格下跌时难以有效脱手,可能造成非对称流动性效应。
构造方式:
分拆ILLIQ因子为股价上涨日(ILLIQ^+)与下跌日(ILLIQ^-)两个半因子,分别计算对应收益绝对值与交易额比。
实证结果:
弹性网络预测半非流动性(ILLIQ_F^-):
同样使用弹性网络预测模型对半非流动性进行预测,MSE明显降低(0.06→0.03),IC均值9.49%,显著性更强,分组年化收益24.91%(多头),多空年化29.18%。优于ILLIQ及ILLIQ_F,进一步证明分摊指标带来的改进。, ,
理论基础:
Barardehi等(2020)和Amihud(2020)指出,ILLIQ因子的分子包含隔夜收益,隔夜收益由信息驱动,且与当日交易量无关,造成分子与分母的时间匹配性问题。
改进方向:
使用交易日内绝对收益替代传统的日间收益,构建新的OC_ILLIQ系类因子。
实证结果详解:
这说明用日内收益作为分子更合理且有效,避免了隔夜收益带来的误差,提升了流动性因子的定价能力。, ,
市值效应探讨:
已知ILLIQ因子与小市值正相关,本报告对因子进行了市值中性化处理,以排除市值因素干扰。结果显示,中性化后因子依然有效,IC均值保持在10.63%,胜率77.21%,证明非流动性因子本身的预测能力独立于市值特征。
行业表现:
因子在除银行以外的29个中信一级行业中普遍表现良好,IC均值均超过6%,多数行业t值显著超3,表现最佳的行业有综合、综合金融、纺织服装、建材、农林牧渔、传媒等。
以上实证显示因子具有广泛行业适用性,非流动性风险被市场在多个行业普遍认可和定价。,
分析方法:
计算报告中构建的四个非流动性因子(OC_ILLIQ、OC_ILLIQ_F、OC_ILLIQ_F^-等)与常用风格因子如动量、成长、价值、技术及情绪因子的截面Spearman秩相关。
主要结论:
这意味着非流动性因子提供了与传统风格因子较为独立的风险定价信号,有助于投资组合的多元化构建。
测试对象:沪深300、中证500、中证1000及去除中证800的全市场。
结果:
这进一步验证因子对不同规模股票均有效,且因市场结构特征在中小盘更具优势。,
图1与图2(第2页)ILLIQ因子分组年化收益及分组测试图
图1显示从第1组至第10组年化收益稳步递增,最高组年化近19%,恒定单调表现表明ILLIQ因子有效区分高低非流动性股票。
图2中多头组合净值持续上涨,空头表现平缓,验证了报告中空头收益贡献弱的结论。多头净值波动与市场信用利差呈现动态关系。
图3(第3页)ILLIQ多空组合净值与信用利差
信用利差与多空组合净值方向一致,利差低(流动性好)时因子表现不佳。证明宏观环境对非流动性因子预期收益溢价的影响。
图4(第4页)预测模型与基准模型MSE对比
黄色线(预测模型)远低于红色线(基准),说明弹性网络模型预测非流动性显著降低误差和波动,提高预测稳定性。
图5、6(第5页)ILLIQ_F因子分组表现
分组年化收益更高达25.54%,净值曲线也表现更平稳,空头仍较弱但有所改善。
图9、10(第7页)ILLIQ+因子表现
代表上涨日流动性风险,年化收益呈阶梯上升趋势,多头组合年化超额超过14%,空头依旧较弱。
图13、14、15(第8页)半非流动性预测模型MSE及验证
预测模型MSE进一步降低至0.03,IC均值达9.49%,净值曲线平稳且多空年化收益近30%,显示半非流动性预测显著提高。
图16(第9页)隔夜收益与日内收益对比
形象地展示隔夜收益时间区间与交易日交易额不匹配,支持改进因子采用日内绝对收益分子构建。
图17-24(第10-11页)OC_ILLIQ系类因子分组收益表现
各因子表现优异,分组年化收益无一例外呈严格单调递增趋势,表明因子优秀的分组选股能力和稳定性。
图25(第12页)行业IC表现图
图柱形显示多行业IC均值大于市场整体均值,曲线t统计量全部达高显著水平,体现因子的广泛行业适用性。
图26-28(第13-14页)不同股票池中的因子表现
多头与多空组合净值持续增长,且中小市值股票池表现更强,多头组合收益和超额收益优势明显。
本报告侧重因子有效性验证和因子构建改进,未直接涉及公司估值或传统DCF等方法,因而不包含估值模型分析,但其因子表现数据和因子收益结果对量化投资估值模型的风险调整和收益预期提供重要参考。
报告强调模型基于历史数据统计和建模,若未来政策或市场环境发生变化,模型可能失效,表明模型结果具有动态性、非静态有效性风险。
另外,因子所涵盖的个股或基金关联不构成投资建议,指明因子研究与实际投资执行之间还需结合其他市场判断和风险管理措施。
报告未明确给出缓解策略,但通过改进因子理论及预测模型的稳定性和分组表现,间接提升了因子的鲁棒性。
稳定性风险:ILLIQ因子稳定性不足,尤其在流动性环境较好时表现较弱,体现因子部分受宏观经济周期限制。
空头端表现弱:空头端收益贡献有限,表明流动性风险主要体现在多头溢价,空头信号尚不够强烈。
模型限制:弹性网络虽减少多重共线性问题,但仍依赖于历史特征稳定,未来因子表现受市场结构和制度调整影响较大。
指标构建时间匹配问题:传统包含隔夜收益的ILLIQ存在分子分母时间不匹配问题,本报告引入日内收益进行替代有效提高了因子表现,凸显了流动性指标设计细节的重要性。
规模效应:因子与市值相关但中性化后保持有效,说明流动性因子的经济含义独立于规模,但规模偏好依然存在。
本报告提供了对Amihud(2002)ILLIQ非流动性因子的深度测试及显著改进,为A股量化投资提供了有效工具。主要发现包括:
ILLIQ原因子在A股具备较显著的预测能力(IC约7%),但存在稳定性和空头表现不足等缺陷。
基于弹性网络模型的ILLIQ_F对未来非流动性预测更准确,提升了因子的IC至9%以上,多头和多空组合表现大幅改善,证明了模型预测的价值。
分拆股价涨跌日的半非流动性因子进一步捕捉了流动性的非对称性,尤其下跌日非流动性对收益预测更强,合成的预测因子ILLIQ_F^-在IC和收益上均优于传统因子。
使用日内收益替代日间收益解决了传统ILLIQ中指标分子与分母时间不匹配的问题,显著提升了因子IC(最高10.54%)及分组收益,成为系列中表现最优的非流动性因子。
因子在不同股票池和行业中均表现稳定显著,尤其在中小盘价值上具备较高的预测能力,且与主要风格因子相关性较低,有利于风格多样化配置。
图表数据均显示因子表现单调优异,且多头多空策略均实现正收益和稳健净值增长,对实际量化投资应用有明确指导价值。
综上,报告系统论证了非流动性因子的构成创新和预测能力提升路径;其基于弹性网络的预测框架及采用日内收益的改进模式,为国内量化研究和实务应用提供了丰富且实用的方法论与实证基础,具有重要理论及实务意义。
综上所述,报告通过理论推导、弹性网络模型应用及多重实证验证,提出并确认了改进非流动性因子的一系列创新方法,有效提升了非流动性因素的选股能力和稳定性,对于量化投资策略开发和风险控制具有重要的实践与学术价值。
“青出于蓝”系列研究之六:如何对非流动性因子进行改进.pdf