本报告基于高频盘口数据,构建了订单失衡(VOI)、订单失衡率(OIR)和市价偏离度(MPB)三大高频量价选股因子,并将其降频至月度进行低频选股策略。研究发现VOI和OIR因子在高频层面与收益呈正相关,但低频(即月度)呈现逻辑反转,MPB因子整体表现较优,IC均值达-5.23%,年化多空收益率21.24%,夏普比率2.68,是全部因子中表现最佳。研究还揭示了高频信息向低频转化过程中的信息衰减和策略应用注意事项,为量化选股提供了新思路和实践路径
高频量价因子定义与投资逻辑
高频向低频转化方法及反转逻辑分析
高频因子与传统因子相关性及市值中性处理建议
| 因子 | FloatCap相关性 | ROIC_TTM相关性 | Momentum_12m相关性 |
|---|---|---|---|
| VOI1 | 0.55 | 0.35 | 0.31 |
| VOI2 | -0.20 | -0.56 | -0.51 |
| OIR | -0.12 | -0.49 | -0.66 |
| MPB | 0.50 | 0.27 | 0.19 |
单因子回测结果和量化策略表现
高频量价因子应用建议与风险提示
报告标题: 建投金工深度专题98:高频量价选股因子初探
作者: 丁鲁明,陈升锐
发布机构: 中信建投证券股份有限公司
发布日期: 2020年7月14日
研究主题: 高频量价选股因子的构造与投资逻辑研究,量化因子投资策略
研究范围: 中国A股市场,基于高频盘口数据构造新型量价因子并进行低频月度回测
核心观点与评级目标:
报告聚焦揭示盘中高频盘口数据中隐藏的投资信息,通过设计并验证四个高频量价因子,包括订单失衡因子(VOI)、订单失衡率因子(OIR)和市价偏离度因子(MPB),并将高频数据转换为月频低频因子进行回测。研究发现,MPB因子表现最佳,年化多空收益率达21.24%,夏普比率2.68,显示极佳的选股效能。
作者通过剖析高频因子与低频因子表现的反转现象,阐释了短期散户行为和主力资金操纵的市场机制,为量化选股模型的发展提供了新视角。,
随着低频基本面和价量因子饱和,市场对高频数据的利用需求日益强烈。高频盘口数据反映了市场委托买卖的动态信息,透过其结构能洞察知情交易者情绪和市场预期。报告选用Level1数据(五档买卖盘口),具体到分钟级别,包括买卖委托价、委托量、成交量额。
VOI因子(订单失衡):通过买卖委托量差异量化订单簿不平衡程度,反映市场多空力量对比。Chordia和Subrahmanyam文献支持订单失衡与收益正相关的经典理论基础。VOI构造采用价格变动条件微调委托量增减,公式化计算买卖方量的变化差。
VOI因子改进(VOI2):VOI初版仅考虑第一档盘口,忽略下档订单。VOI2通过衰减加权五档委托量,优化权重分布,使数据利用更充分,权重通过线性衰减设计,前档权重最高。
OIR因子(订单失衡率):弥补VOI量级偏差,定义为买卖委托量差除以买卖量总和,体现不平衡比例,更精准衡量买卖力量强弱。OIR通过加权五档委托数据获得,数学表达明确。OIR能识别VOI值大但实际买卖比率低的情况,提升信号有效性。
MPB因子(市价偏离度):计算平均成交价与买卖中间价的差异。该因子代表交易价格与市场挂单中心价的偏离,通过均值回归性质预测价格后续走势。MPB的逻辑是:当成交价高于中间价,说明卖方压力大,股价可能回落;反之则买方压力大,股价可能上涨。
该部分详细阐释了因子的数学定义及其背后的市场微结构逻辑, , 。
出于实际投资应用的需求,报告设计了高频(分钟级)因子向低频(月度级)因子的转换流程:
通过这一流程使因子适合更低频的资产配置和调仓策略,确保信息有效性最大化。
主发现: 高频量价因子在分钟频率下与收益率呈现正相关,但转为月频后订单失衡和订单失衡率因子与收益率关系出现显著反转,变为负相关。MPB因子则始终负相关。
解释逻辑:
具体举例显示某股票出现大量卖单(VOI2骤降),短线诱导散户卖出,次日股价大幅反弹,实现主力低价吸筹目标,形成因子表现逻辑反转的案例。
多维度分析四个高频量价因子与主流传统财务和价格动量因子的IC相关系数:
此部分体现了高频因子与传统因子之间的相互关联与可能的共性因子风险,处理方法增强因子独立性和稳健性。
根据2010-2019年回测结果,月频调仓,样本剔除流动性差、停牌、ST以及上市未满半年股票,采取极值和缺失剔除处理,得到如下效果总结:
| 因子 | IC均值 | 年化IR | 年化多空收益 | 夏普比率 | 备注 |
|---|---|---|---|---|---|
| VOI1 | -2.74% | -1.62 | 12.45% | 1.69 | 市值、行业中性化 |
| VOI2 | -3.35% | — | 14.73% | 1.87 | |
| VOI2剔除ROIC & Momentum | -3.59% | — | 15.12% | 1.91 | 剥离相关性因子影响 |
| OIR | -3.70% | — | 16.05% | — | |
| OIR剔除Momentum12m | -4.19% | — | 17.75% | — | 剥离相关性因子影响 |
| MPB | -5.23% | -2.68 | 21.24% | 2.68 | 性能最优,市值中性化 |
各因子均表现出稳健的多空收益,其中MPB因子表现最为卓越,显示其作为价格均值回归的领先指标功能。
图表“图7”详细展示VOI1因子的IC波动与多空收益累积曲线,反映因子稳健性和累积赚钱效应。,
显示浦发银行收盘时买一量3017手相比卖一量295手明显较大,说明短时买入意愿更强,对价格短期上涨形成预示,帮助理解订单失衡因子直观含义。
提供了某只股票10分钟内的买卖五档委托量和成交信息,支持衰减加权VOI2及OIR因子的计算,数据充分体现高频盘口结构复杂性和动态多维度信息。
左图展示某日某股票分钟VOI2因子出现显著负值,表现为大单卖出,右图则反映出该股票次日股价大幅上涨,验证了主力对倒诱导散户卖出的策略逻辑,为因子高频与低频表现反转提供实证支持。
左表IC均值负值但稳定,年化IR及夏普比率表现不错;右图多空收益曲线稳步上升,总收益超过220%。此图数据验证了VOI1因子尽管IC负,但多空收益显著,具体收益率及波动率均反映因子应用价值。
呈现高频因子IC约为12%(正相关),月频因子IC值均为负,表明因子在低频表现上出现系统的信号方向反转,信息有效性有所削弱,但仍具有显著预测能力。
详细列出了各高频因子与传统价值、成长、动量、规模类因子的相关关系,指出哪些因子需要进行中性化处理,支持后续因子独立性调整的必要性和技术操作方向。
本报告并无传统意义上公司估值或资产估值分析,而核心在于基于高频盘口数据构建选股因子及检验其因子表现。因子采用信息系数(IC)、年化IR、夏普比率等量化指标衡量预测能力,与收益率相关性为核心评判标准。
因子构造基于买卖委托量差异及成交均价偏离,衰减权重赋值提升数据质量,数据处理过程严格,策略逻辑可信。因子降频采用衰减加权时效性考虑,符合量化策略中信号衰减规律。
整体因子风险调整绩效指标表明MPB因子更优,是本研究重点推荐的量价停留信号。
报告未专门列出风险章节,但从内容可识别以下风险:
本文系统构建了基于高频盘口数据的四个量价因子(VOI1、VOI2、OIR、MPB),并设计高频向月频转换方法,通过历史十年A股全市场回测验证其选股有效性,重要结论如下:
图表支持的深刻洞察包括:
整体看,中信建投的此篇专题研究理清了高频量价因子的设计逻辑、频率转换方法与市场行为机制,为构建基于盘口数据的高效选股因子体系提供了系统而深入的框架和实证经验。, , , , ,
报告中引用了以下核心文献,为高频订单簿及量价信号的研究提供理论支撑:
这些文献为本报告中的因子构造和市场微结构分析提供了坚实的学术基础。
通过以上分析,本报告堪称高频量价因子与低频量价因子研究的典范之作,为机构投资者探寻高频盘口信号价值提供了丰富且专业的范本。
建投金工深度专题98:高频量价选股因子初探.pdf