报告从技术指标的择时信号出发,结合交易动量指标WIN,构建了一种新的价量因子。采用超买超卖技术指标RSI与W%R的择时信号,经过中性化处理,选股效果显著提升,W%R择时信号因子年化收益率达12.87%,夏普比率达到1.63,且有效改善了传统技术指标的非线性问题,具有较强的选股能力和稳定性
| 组合 | 年化收益率 | 波动率 | 夏普比率 | 最大回撤 | 年化超额收益率 | 胜率 |
|---|---|---|---|---|---|---|
| Top | 11.20% | 35.25% | 0.32 | 69.40% | 4.78% | 56.59% |
| Bottom | -1.05% | 32.80% | -0.03 | 68.81% | -7.52% | 31.78% |
| L-S | 12.87% | 7.88% | 1.63 | 6.10% | - | - |
本报告核心论点是:传统直接用技术指标值作选股因子效果不佳、存在明显非线性,原因在于技术指标的本质是产生买卖信号的工具。因此,本文提出从技术指标触发的买卖信号(择时信号)出发,结合交易动量指标(WIN指标),构建更具有效性的价量选股因子。实验结果显示,采用这种方法后,RSI及威廉指标(W%R)的选股效能显著提升,年化收益与夏普比率都有明显改善,且风险指标如最大回撤减少,因子稳定性增强。
总结来看,作者旨在传递技术指标因子的创新利用思想,即不把技术指标视作横截面因子,而是从择时信号及其有效程度出发构建因子,以提高选股有效性和收益稳定性。
报告指出,技术指标基于价格和成交量数据形成买卖信号,缺乏明确经济学解释,通常针对单个资产的时间序列分析,和基于基本面多资产横截面分析的选股模型存在本质不同。因而,直接用技术指标进行横截面比较,可能因非线性关系导致作选股因子效果不佳。
表1对比总结技术指标与基本面模型的异同,强调技术指标的非经济学解释属性及单个资产特性,为后续从择时信号出发构建更有效因子的思路奠定基础。
文中聚焦于反趋势指标,强调其信号触发基于超买或超卖阈值的拐点,而非指标值绝对高低的阶段,意味着择时信号的非线性特征及其特殊呆点的出现逻辑。
将RSI和W%R两指标原始数值直接用作因子时,实测结果显示收益率与指标值无明显单调关系,分位数组合表现极不稳定,同时波动和最大回撤较大,夏普比率低(RSI多空收益率为负-14.43%)。这验证了技术指标直接作为选股因子存在显著非线性问题。
图1和图2以柱状图展示两指标分位收益情况,明显非单调波动。表3具体展示两指标的多空组合表现,进一步证明直接用指标值因子效果不佳。这也支持了作者认为应通过技术指标“择时信号”重构因子的主张。
图4示范个股技术指标通过信号规则每日择时转化为开仓和平仓信号,最终生成持仓状态序列。
基于此,报告提出将每月最后交易日的个股持仓状态信号(做多/空仓/做空三类,取值1/0/-1)转化成截面信号,通过等权组合构建不同组合,体现典型的多空策略。
图5和图6分别展示RSI和W%R择时信号的买入、空仓、卖出组合净值走势。两种指标均显示买入组合明显优于卖出和空仓组合。
表4和表5通过收益、波动、最大回撤和夏普比率等指标系统展示择时信号多空表现,尤其是W%R “买入-卖出”组合达到年化15.38%的收益率和1.36的夏普比率,远高于原始技术指标直接因子表现,显著提升因子有效性。
图7和图8说明持仓股票数波动较大,买卖信号占比较高,而空仓位置较少,指出直接用择时信号构建策略存在持仓数量波动和信号离散的问题。
结合上述,择时信号因子建构有效缓解了技术指标非线性和原始因子表现波动问题。
引入WIN指标,综合5笔择时交易的正超额收益比例,衡量技术指标对个股择时的有效性。定义公式为:
利用WIN指标对买入(做多)和卖出(做空)信号范围内股票排序,分三组建组合,实测显示买入信号WIN值越高对应收益越高,卖出信号WIN值越高对应未来负收益更高,有助于进一步区分择时信号股票的有效性。
图9至图12清晰展示不同WIN分组的年化收益差异,验证WIN指标可显著增强信号的筛选能力。
结合WIN与择时信号,可以把过去离散信号转化为连续信号,更适合纳入传统因子框架进行分析。
RSI和W%R择时信号因子均通过月度IC(信息系数)测试,IC值大部分为正,稳定性较好。
图13和图14展示因子IC时间序列波动,表6总结统计数据,显示较强选股能力和统计显著性。
图15显示W%R因子覆盖股票数随时间增加,平均覆盖度达93.82%,且最低也维持87.16%,表明该因子具有较广泛的股票适用性。
图16展示W%R因子的分位数组合年化收益率,呈明显单调下降趋势。表7详细数值:Top组合年化收益11.4%,多空组合年化超额收益13.14%,夏普比率1.41,表现优异。
图17净值曲线说明Top组显著跑赢市场,Bottom组表现弱于市场。
图18显示W%R因子与市值、成长、情绪等传统因子相关性较低,但与反转因子相关性较高,因其本质捕捉超买超卖状态。去除反转效果后,选股能力略有下降说明因子含有部分反转风险因子成分。
对W%R择时信号因子进行行业和市值对数中性化后,因子IC均值略降至2.96%,但波动性降低显著,使因子的稳定性大幅提升,IR增长至0.45,t统计量升至5.05。
多空组合表现也相应优化,年化收益12.87%,年化波动率7.88%,最大回撤仅6.10%,夏普比率升至1.63。
图19至图21及表8、表9展示了中性化因子的收益表现、波动及最大回撤指标,年度收益稳定,尤其2015年收益高达59.69%。
此项改进表明中性化处理是提升技术指标择时因子实际应用价值的重要步骤。
报告总结提出:
风险方面,报告指出历史数据建模结果存在市场环境和政策变化导致模型失效的风险。
图1、图2(RSI与W%R指标分位数组合测试)
分别显示两个指标按因子值分组的年化收益,均表现非单调关系,验证直接用指标值构建因子存有显著非线性,导致多空收益较低、不稳定。
表3(技术指标选股多空表现)
量化展示RSI直接因子年化收益-14.43%,W%R仅6.51%,两者夏普比率均低表明表现欠佳且风险偏高。
图3(RSI与W%R指标多空净值)
净值曲线折线图,表明原始技术指标值构建多空策略净值增速及稳定性不足,且RSI表现跌落严重。
图4(个股择时信号流程)
流程图清晰展示技术指标转换为每日开仓/平仓信号,进而形成持仓状态序列的过程,是因子构建技术路线的核心框架。
图5、图6(择时信号组合表现)与表4、表5(多空表现)
多空组合净值表现明显优于直接指标构建因子,尤其W%R买入-卖出组合收益显著提升到15.38%,夏普1.36,风险指标提升,展示择时信号方法有效性。
图7、图8(持仓数量)
两指标买入、卖出、空仓信号持仓股票数量动态,揭示持仓波动较大问题,为后续引入WIN指标和连续信号提供动因。
图9-图12(结合WIN指标不同分位组合年化收益)
分组收益的可见单调趋势验证了WIN指标对择时信号有效性的区分能力。
图13、图14(月度IC)与表6(技术指标择时信号因子IC)
IC长期保持稳定正值,平均IC和t值说明因子具备统计显著选股能力,W%R表现更优。
图15(股票覆盖度)
因子得到大部分A股覆盖,提升因子广泛适用性。
图16、图17(分位组合年化收益率及净值)与表7(分位组合表现)
净值和收益展现因子价值,顶组表现优异,底组表现弱于市场,验证了因子的选股区分力。
图18(与常见因子相关性)
显示该因子与主流风格因子相关性较低,高相关反转因子,说明该因子可补充现有因子体系。
图19、图20(中性化因子IC及净值)与表8、表9
中性化后因子凭借较低波动获得更高IR,组合表现进一步提升,最大回撤显著降低,强化了因子的实用性和风险可控性。
图21(年度多空收益率)
因子年度表现稳定,特别是在2015年表现优秀,确认其在不同市场环境的适用性。
报告未涉及估值方法,因此无需详细说明。
报告提醒投资者上述风险,强调模型限于历史验证,需谨慎应用。
整体而言,报告逻辑严谨,数据详实,但对策略实操细节与动态适用性讨论尚可加强。
这份《另类因子研究系列之二:一种价量因子新的构建方式》报告,深入分析了技术指标应用于股票选股因子时的非线性问题,系统提出并验证了以技术指标择时信号为核心,结合交易动量指标WIN的因子构建新方法。通过设计持仓状态信号,将技术指标的买卖信号转化为截面因子,并用WIN指标进一步区分同一信号股票的有效性,提高因子连续性和有效性。
实证结果表现卓越:
报告中的所有图表和表格清晰展示了从直接因子表现差,到择时信号构建,再到结合WIN指标筛选并完成中性化的完整提升路径。图17及图20净值曲线充分证明了因子构建方法的有效性和收益稳定性。
综上,本文明确指出技术指标因子构建面临的核心问题并提出切实可行的解决方案,为金融投资量化研究提供了宝贵思路与方法。尽管实操层面仍需关注持仓稳定性与交易成本等风险,整体框架和结果具有较强参考价值。
【全文结束】
参考溯源页码标注
另类因子研究系列之二:一种价量因子新的构建方式.pdf