本报告针对高频盘口数据构建了四个量价选股因子(VOI、VOI2、OIR、MPB),并将其转为月频低频因子进行回测。结果显示MPB因子表现最佳,年化多空收益21.24%、夏普率2.68。VOI和OIR因子在高频表现正相关但转为低频后出现逻辑反转,反映短期散户追涨杀跌与主力操纵影响。报告系统分析因子构造、降频方法及其与传统因子的相关性,为构建有效量价选股策略提供了有力支持
| 因子名称 | 交易逻辑 | 高频影响方向 | 低频影响方向 |
|---|---|---|---|
| 订单失衡 (VOI) | 反映知情交易者未反映信息,订单不平衡大则买压大,短期价格上涨;但散户行为和主力操纵使低频反向 | 正向 | 负向 |
| 订单失衡率 (OIR) | 衡量买卖委托量相对实力,补充VOI,强买卖压力同样出现短期正向,长期反向 | 正向 | 负向 |
| 市价偏离度 (MPB) | 反映交易平均价相对中间价偏离,卖方发起时未来价格趋跌,买方发起时未来价格趋涨 | 负向 | 负向 |
报告题目:《高频量价选股因子初探——因子深度研究系列》
作者:丁鲁明、陈升锐
发布机构:中信建投证券研究发展部
发布日期:2020年7月9日
研究主题:基于高频盘口数据挖掘选股因子,通过对订单失衡(VOI)、订单失衡率(OIR)及市价偏离度(MPB)这三个因子构造及其降频后的表现进行深入探讨,验证其在量化选股中的有效性,并研究因子在高频与低频间的表现反转逻辑。
核心论点:
总体而言,报告指出基于高频量价数据构建的因子在适当转换频率后,在A股市场中具备较强的选股能力,且为填补传统因子饱和下的选股新策略提供了新思路。,1]
随着传统财务和低频量价因子的渐趋饱和,市场迫切寻求新信息源。高频盘口数据记录了买卖盘价格和委托量,是反映市场短时情绪和行为的扎实数据资源。通过高频盘口数据,可以更直观地理解知情交易者的行为模式及市场供需动态,从而提升选股的预测能力。
报告中以浦发银行盘口数据作为例证,展示买一卖一委托量差异如何预示股价的短期走势。例如买一量为3017手,而卖一为295手,显示买盘更强,股价短期上涨可能性较大。
VOI因子定义为买委托量变化与卖委托量变化之差。基于Chordia和Subrahmanyam(2004)在纽交所的研究,订单失衡度与收益正相关,反映市场的买卖压力。
数学表达:
VOI1t=ΔVtB−ΔVtA
其中,ΔVtB与ΔVtA分别代表买卖委托量的价格调整加权变化,具体规则基于买卖价格相较前一时刻的变动有所不同。
报告还提出改进:不仅使用买卖第一档盘口数据,还采用五档盘口的衰减加权委托量以获取更全面信息:
VtWB(WA)=∑wi∑wi×Vi,tB(A),w=1−5i−1,i=1,2,...,5
进而定义VOI2因子:
VOI2t=ΔVtWB−ΔVtWA
这里,权重递减使第一档盘口量贡献最大,逐档递减,体现不同盘口深度对买卖压力的影响递减。
订单失衡率(OIR)定义为买卖委托量差与其和的比例:
OIRt=VtWB+VtWAVtWB−VtWA
该比率衡量相对买卖力量,而非简单差值,能区分绝对差异大但市场买卖力量接近的情况。例如,差额100但总量大时买压力并不显著,需根据比例大小更准确判断买卖劣势。衰减加权权重同VOI2。
OIR因子弥补VOI的不足,反映市场参与者相对买卖意愿,从而更准确预测价格走向。
MPB定义为单位时间段内的平均成交价与同期中间价(买一卖一价的算术平均)的偏离差:
MPBt=TPt−MPt
其中,
MPt=2PtB+PtA
TPt=VtTt(Vt=0),否则取前一时刻成交价格
平均成交价若高于平均中间价,说明卖方发起主导交易,形成卖压,价格可能下跌,反之亦然。
因其均值回归性特征,MPB是价格短期走势的有效预测指标。
因高频数据较为细碎,投资者多关注月度换仓频率,故将高频分钟因子转化为月度低频因子。
此方法兼顾了高频因子信息丰富和低频操作稳定性。
【表1】数据显示,VOI、VOI2、OIR因子的分钟IC均值均为正(11%-13%),而对应的月频IC均值转为负值(-2.7%至-5.2%) ,MPB分钟IC为负(-13.78%),月频IC仍为负(-5.23%)。显示VOI类因子高频与收益正相关,低频表现反转。
推断根因:
具体实例(图3-6)展示某股票大单卖出(VOI骤降)后次日股价大幅上涨,另一案例大单拉抬(VOI骤升)后次日股价回落,证实了此逻辑。
MPB因子结构不同,表征的买卖方向逻辑在高频与低频均一致,故其低频表现稳定。此外,将VOI2及OIR剥离高相关因子(ROIC_TTM、Momentum_12m)后,性能进一步提升,说明因子独立有效。
展示买一(3017手)和卖一(295手)委托量对制定价格波动的即时影响,直观反映买卖力量不均衡。该静态快照说明盘口委托量的具体构造及使用场景。
表现某股票连续时间段的盘口买卖五档委托量,以及各种价格指标,展示盘口数据的细节维度,为高频因子构造提供数据基础。
显示VOI、VOI2、OIR高频和低频的相关系数反转和幅度变化,佐证因子高频有效性及低频衰减与逻辑反转的现象,提示因子应用的频率风险。
简明总结VOI、OIR、MPB因子在高频与低频层面上对收益的影响方向,突出因子存在的频率反转现象,明确投资者选用因子时需注意的信号含义。
系统展示四个高频因子与自由流通市值、盈利能力、成长性、动量等传统因子之间的相关性。发现VOI1和MPB与市值相关性较强,需做市值中性化处理;VOI2和OIR与部分因子强相关,提出对其做中性化处理,确保独立贡献。
分别展示VOI1、VOI2、VOI2剔除ROIC_TTM及Momentum_12m、OIR、OIR剔除Momentum_12m及MPB的IC统计及多空组合表现曲线。所有因子均实现正收益,MPB的综合表现最优,夏普比率达2.68,年化收益21.24%,最大回撤仅4.27%,风险收益比突出,显示其较强的选股能力和稳健性。
本报告核心为因子构建和选股效果验证,未纳入传统财务估值分析方法,如DCF或市盈率法。研究关注因子的IC值、年化收益率、夏普比率等多维风险收益指标,直接以因子驱动的持仓表现衡量价值。
基于此,因子剥离相关性和中性化处理可以被视为“风险调整”过程,确保因子独立性和防止市值、动量等已知因子冗余。报告通过经典统计指标直观刻画因子的选择价值,无额外财务估值模型。
报告指出高频因子特别是VOI和OIR因子存在高频转低频逻辑反转风险:
缓解策略:采用中性化方法剔除市值、行业、动量等相关因子成分,利用月频衰减加权提升因子稳定性,结合多因子综合分析减弱单一因子的不足。,9-13]
本报告系统深入地研究了基于高频盘口数据构建的三类高频量价因子——订单失衡(VOI1和VOI2)、订单失衡率(OIR)与市价偏离度(MPB),通过数学模型精确定义并应用衰减加权涵盖盘口多档数据,有效提升因子信息表现。研究创新地采用了从高频到低频的降频转化方法,包括截面标准化、等权日内均值及基于距离调仓日的时间衰减加权,有效解决信息时效性的问题。
报告发现在高频层面,VOI和OIR因子与未来收益呈明显正相关,反映知情交易者的市场买卖压力,中频或低频转换后,该关系出现反向,这是由于主力“对倒”行为和散户行为短期追涨杀跌导致的市场结构问题。MPB因子作为价格均值回归指标,表现稳定,无频率反转现象。
剔除VOI2和OIR因子与传统因子如ROIC、动量的相关性后,其选股能力有所提升,表现更为纯净。四个因子均在2010-2019年十年间显示良好的选股能力,其中MPB因子表现最优,年化收益达21.24%,夏普比率2.68,最大回撤4.27%,展示了出色的风险调整后收益及稳健性,适用于月度调仓量化选股策略。
报告所附大量图表(盘口数据实证、因子时间序列走势、选股多空收益表现等)扎实支撑了理论推断和量化反馈。因子与传统因子IC相关性分析为构建多因子模型奠定基础。总体来看,该项研究为国内市场高频量价选股因子的探索提供了理论基础与实证支持,引领了传统低频因子研究向更高频维度的拓展。
投资者在实际使用时,应结合因子频率转换的逻辑反转特性,合理设计组合和风险管理框架,防范主力操纵及散户行为导致的信号误判风险,并关注数据质量问题。后续研究期待继续深化高频量价因子,挖掘与传统因子正交的新因子,丰富量化选股工具箱。
溯源标注参考:
,1,2,3,4,5,6,7,8,9,10,11,12,13,14]
如果需要对具体页码的某图表或术语深入解释,可再行细分说明。
中信因子深度研究系列9:高频量价选股因子初探.pdf