本报告基于市场微观结构,提出以日内分钟收益率序列构建CVaR模型对股票尾部风险度量,进一步利用成交量加权收益率(VWAR)强化尾部效应,形成VCVaR因子。实证结果表明,VCVaR因子剥离常见风格因子后仍具备显著选股能力,且在不同指数成份股中均取得稳健的超额收益和较高夏普比率。此外,左右尾的尾部风险特征高度一致,尾部风险低的股票更易产生超额收益
| 因子方向 | Rank_IC | IC_IR | 夏普 | 最大回撤 | 年化收益 |
|---|---|---|---|---|---|
| 左侧5%VCVaR | 0.0701 | 2.6377 | 2.7502 | 11.08% | 见具体组合 |
| 右侧5%VCVaR | -0.0877 | -3.4109 | 3.3284 | 10.48% | 见具体组合 |
报告标题: 《分钟线的尾部特征》
作者与机构: 方正证券研究所,金融工程研究团队
发布日期: 2020年2月4日
报告主题: 通过市场微观结构研究股票尾部风险特征及相关Alpha因子挖掘
该报告由方正证券金融工程研究团队撰写,聚焦于市场微观结构层面,探索高频数据(分钟线收益率)中尾部特征对股票风险的新颖刻画方式。作者旨在突破传统基于日线的波动率研究瓶颈,引入CVaR(条件在险价值)模型结合成交量加权技术,构建出可提供超额收益的选股因子——VCVaR。
核心论点在于:
报告同时强调风险提示,指出基于历史数据模型存在失效风险,并不构成投资建议。整体,报告针对国内A股微观结构风险度量及因子构建提供了系统性的探索和量化实证支持。,3,6,19]
报告开篇指出,传统Alpha因子多基于低频(日线及以上级别)基本面及价量数据,当前处于挖掘边际效用递减阶段。基本面因子的时间维度回撤明显,低频价量因子表现趋弱,风格因子轮动加速导致单一风格难以持续盈利。
市场微观结构学关注资产交易机制及价格形成,利用更高频数据(如分钟线、逐笔成交数据)提供更丰富且微观的价量分布特征与相关性信息,增加信息量级,作为Alpha挖掘新领域具备天然优势。报告提出基于此开辟市场微观结构系列,寻求高频数据挖掘有效Alpha因子。,3]
传统资本资产定价模型(CAPM)预测风险高收益高,但现实市场出现“低波动异象”——低波动股票未来表现优于高波动股票,且该现象在多市场被验证,无成熟理论解释。主流假说包括:
A股亦存在大量研究和产品验证低波动异象。
因此,报告建议引入VaR及其较优改进指标CVaR加强尾部风险刻画。VaR衡量给定置信水平下的最大潜在损失,但忽视了损失超过VaR部分的风险;CVaR反映超过VaR损失的期望,风险刻画更全更稳健,抗极端冲击更强。
图表1 形象展示VaR与CVaR在收益分布中的位置关系,说明CVaR在尾部风险度量中的优势。
说明原始因子在大型指数成分内有效性受限,可能有风格效应混杂。
图表2-4 展示全A CVaR因子的分组收益曲线、多空收益及统计指标,对应风险收益表现和回撤控制。
图表5-7 与图表8-10 分别呈现中证500和沪深300分组收益、多空收益及回测统计图表,显示因子表现递减趋势。
(图表详见报告第7-10页)
报告指出分钟走势噪声大,成交稀疏时价格波动非真实买卖力量体现,导致CVaR因子表现不佳。为消除噪声,提出成交量加权方法(VWAR):
VWAR=∑Volumet∑Returnt×Volumet
成交量较大的时段权重提升,弱化稀疏成交时段噪声。以万科A分钟收益率序列为例,对比VWAR序列,后者尖峰厚尾特征更明显,非正态性指标(偏度、峰度及Jarque-Bera检验)显著提升,表明增强了尾部信息提取能力。
图表15-17 深入展示了对比分布情况和统计特征:
统计量对比表:
| 序列类型 | 偏度 | 峰度 | Jarque-Bera值 |
|---|---|---|---|
| VWAR | -2.41 | 44.41 | 66177.88 |
| 收益率 | -1.05 | 17.55 | 8215.79 |
显示VWAR序列具有更强的非正态、厚尾特征,更适合尾部风险建模。
基于VWAR序列计算每日5%左侧CVaR,并每月均值化形成VCVaR因子。
图表28-33详细展示了投资组合的超额收益走势、月度胜率及统计数据。
此外,作者对左右尾部特征分别构建VCVaR因子,发现左尾(极端跌幅)和右尾(极端涨幅)有非常相似的风险和收益特性,尾部风险越低的股票未来超额收益能力越强。
图表34-35 汇总左右侧因子对比,左尾因子更具正向收益特征,但右尾因子同样显示负相关,且夏普值略有不同。
该图展示了损失分布中VaR和CVaR的关系,使读者形象理解两者的风险度量范围。VaR是置信度边缘的最大可能损失,CVaR是超过该边缘损失的条件期望,更能刻画极端损失。此图支撑引入CVaR作为尾部风险度量的合理性,强调其相较VaR的优势。
图表2(分组收益)显示最大值组表现最好,收益曲线高于其它组,且五组收益差异明显,表明因子具备分选能力。
图表3(多空收益)蓝线持续上升,多空对冲收益积极,橙色部分为回撤,表明策略存在阶段性调整但整体表现稳健。
图表4(统计表)IC_IR=1.7287,夏普1.3898,年化收益18.3%,最大回撤14.03%,展现出因子的有效性和相对低风险。
图表5、8显示受限样本中最大组收益优势减弱,表现出在规模和行业集中指数中的有效性有所削弱。
多空收益与回撤信息表明,风险收益指标下降,最大回撤稳定或略高。
这说明因子原始表现受全市场配置影响,精选指数内表现不及整体市场。
表格数据显著展示剔除风格因子后,原始因子IC与夏普均显著下降,尤其在指数成分股中趋近无效,反映出原始因子中大部分Alpha来源于风格曝光。
图表12-14显示正交后分组收益虽有下降,但在全A仍保持一定单调,指数成分股仍存弱弱有效性。
两个分布图直观表现VWAR削弱了极端值的频率和幅度,但长尾特征更明显,减少了噪声对尾部统计的干扰。
统计量显示,VWAR偏度绝对值和峰度显著高于普通分钟收益率,更适合捕捉尾部风险。
表明经过成交量加权后CVaR因子得以显著提升,剥除风格影响后仍具Alpha能力,IC_IR和多空对冲夏普均大幅提高。
分组收益曲线单调性显著改善,显示真实的因子驱动力。指数不同成分股表现都保持稳定有效,增强了因子的实际应用价值。
展示优化约束下构建单因子组合的累计超额收益、回撤、年化收益和夏普值,均呈现稳健正向的投资表现。
年度拆分显示个别年份回撤较低,组合持续跑赢基准。
表格显示两因子在不同市场分组下表现相似,均可解释为尾部风险低股票未来更有表现优势。年化收益略有差异,但均值得投资者关注。
此数据深化了对高频尾部风险两侧对股票超额收益贡献的理解。
报告重心并非公司估值,而是金融因子构建和策略实证,没有涉及像DCF、PE等传统估值模型。因子选股策略以IC、夏普等指标衡量因子有效性和策略表现。无传统估值部分。
报告在风险提示部分明确指出:
报告未提供风险缓解措施,但强调投资者应谨慎使用模型且结合市场环境判断。
本报告通过系统研究,提出了基于分钟线收益率的尾部风险度量模型,使用CVaR结合成交量加权,构建VCVaR因子,较传统基于日线波动率的因子存在显著优势。
主要发现包括:
详细图表支撑了核心论点,展示了因子从构建原理、统计特征到实证表现的完整闭环。最终,报告明确指出历史数据局限及政策市场变动可能引发的模型失效风险,体现了稳健的专业态度。
总体来看,报告在市场微观结构领域实现了高频风险度量与Alpha挖掘的创新应用,为主动选股提供了新的可量化工具和实证支持,值得投资策略研究者和量化投资实务参考。
参考溯源页码: ,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]
市场微观结构剖析系列1:分钟线的尾部特征.pdf