本报告研究股价振幅因子的隐藏结构,发现振幅因子本身具备负向选股能力但稳定性差,通过按照价格维度切割因子,构造高价和低价振幅因子,发现高价振幅因子负向选股能力更强。进一步标准化构造理想振幅因子,显著提升选股效果和稳定性,回测显示理想振幅因子年化收益率达23.3%,胜率84.2%。此外,理想振幅因子对参数不敏感,在中小盘股票表现尤为优异。基于同样的切割思想,改进换手率因子也能提升表现。最终,波动类因子的收益来源被归因于价格状态下的“振荡加大-状态跃迁”效应,尤其高价态更为强烈
| 步骤 | 说明 |
|---|---|
| 步骤1 | 取最近20个交易日数据 |
| 步骤2 | 计算每日振幅(最高价/最低价-1) |
| 步骤3 | 选择收盘价较高40%的交易日计算高价振幅因子V_high |
| 步骤4 | 选择收盘价较低40%的交易日计算低价振幅因子V_low |
报告标题: 振幅因子的隐藏结构
作者及团队: 金融工程研究团队,首席分析师魏建榕及研究员傅开波、高鹏、苏俊豪、胡亮勇
发布机构: 开源证券研究所
发布时间: 2020年5月16日
研究主题: 本报告属于开源证券市场微观结构研究系列(第7篇),聚焦于A股市场中振幅因子(Amplitude Factor)及其隐藏结构对选股能力的影响,进而引申至波动类因子的深层次解析。核心议题围绕振幅因子的负向选股能力及其稳定性,以及通过价格切割方法对振幅因子进行优化构建“理想振幅因子”。
核心论点与主要信息传达:
整体而言,报告在理论假设、构造方法、实证结果和因子逻辑上均给予丰富、细致的阐释,旨在打破传统振幅因子单一指标框架,挖掘其深层次的结构信息,提高实用选股效率。,1]
论点总结:
报告首先确认了国内外市场普遍存在“低波动异象”(Low-Volatility Anomaly):低波动股票往往收益优于高波动股票,这与传统CAPM或APT理论的正风险-收益关系有悖。选取了波动率因子、振幅因子及区间振幅因子作为波动类因子的代表指标,分析其在A股的表现。
推理依据:
选股能力用IC(信息系数)、ICIR(IC信息比率)、月度胜率等指标衡量。结果显示三个波动类因子均表现负向选股能力,其中振幅因子的月度IC均值为-0.035,ICIR为-0.77,但月度胜率仅59.2%,且5分组收益年化率不单调,表明选股稳定性不足。
关键数据:
| 因子名称 | 因子构造方式 | 因子IC均值 | ICIR |
|---|---|---|---|
| 波动率因子 | 过去20日收益率标准差 | -0.028 | -0.65 |
| 振幅因子 | 过去20日日内振幅均值(最高价/最低价-1) | -0.035 | -0.77 |
| 区间振幅因子 | 最近20日区间最高价/最低价-1 | -0.016 | -0.41 |
图表解读:
本节为后续“切割”等改进方案奠定了实证基础。
论点总结:
传统振幅因子仅计算整体均值,忽略了振幅在不同价格区间分布的差异。报告引入价格维度,将过去20日的振幅因子切分为“高价振幅因子”和“低价振幅因子”,分别计算对应价格区间内的振幅均值。
推理依据:
这种切割基于股价状态对多空博弈的不同表征;高价区间振幅更能揭示资金博弈的激烈程度以及未来价格状态的稳定性。假设低价和高价振幅因子的信息含量结构性不同。
关键步骤(表2):
结果与数据分析:
总结本节:
价格维度切割凸显了振幅因子的隐藏结构,尤其高价振幅因子更具负向选股价值,揭示出传统因子未充分挖掘的信息维度。,4,5]
论点总结:
报告提出通过高价振幅因子与低价振幅因子做差,构造“理想振幅因子”:
[ V(\lambda) = V_{high}(\lambda) - V_{low}(\lambda) ]
通过这种标准化处理,抑制低价振幅因子对收益的负面影响,提升选股效果和稳定性。
推理依据:
图表解析:
扩展讨论(4.1-4.3节):
结论: 理想振幅因子在稳健性、收益率及因子解释力多维度均优于传统振幅因子,具实战应用潜力。,6,7,8]
论点总结:
换手率因子与振幅因子同样反映股票的成交活跃度,两者构造方法类似。报告以振幅因子的切割思路为模板,尝试了换手率因子的类似价格切割处理,构造出理想换手率因子T(λ)。
结果与洞察:
结论:
折射出振幅和换手率因子均存在隐藏的结构性信息,价格分层切割是提升波动类因子的信息捕捉和应用效率的一种有效方法。
该发现表明,本报告提出方法具备一定推广性,可以应用于更多波动指标的分析与改良。
核心观点:
报告通过“振荡加大-状态跃迁”效应提出了波动类因子收益来源的新理解框架。
这种动态解释有助于理解套利定价模型和传统资本资产定价模型难以完全涵盖的市场行为及波动与收益的逆相关性。
整体结语: 本报告不仅在实证层面验证了振幅因子的价值,更通过结构化分析和价位切割揭示了因子背后的动力学机制,为未来选股策略设计提供理论和实践基础。
| 图号 | 名称 | 内容描述 | 关键解读 | 文本联系 |
|---|---|---|---|---|
| 图1 | 振幅因子选股效果稳定性不佳 | 振幅因子多空对冲净值曲线,2010-2020年 | 净值整体呈上升态势,体现负向选股能力,但波动明显,稳定性不足 | 与文本中稳定性不足论点呼应 |
| 图2 | 振幅因子5分组年化收益率不单调 | 振幅最低组收益未必最高,分组间柔性无序 | 多空对冲收益主要来自空头,收益排序非单调加强了稳定性的疑问 | 验证IC、ICIR指标说明 |
| 图3 | 股票S不同价格处振幅的两种分布模式 | 两种不同价格区间振幅分布,均值相同 | 传统振幅因子无法刻画价格分布结构差异,隐藏信息未被揭示 | 基础逻辑铺垫 |
| 图4 | 不同λ值下高价振幅因子V_high绩效 | IC均值和ICIR随λ减小逐渐提升 | 高价振幅因子有效信号强度增大 | 支持高价振幅因子优越性 |
| 图5 | 不同λ值下低价振幅因子V_low绩效 | IC均值和ICIR随λ减少趋近0 | 低价振幅信息弱,选股能力减退 | 对比形成结构性差异 |
| 图6 | 不同λ值高价振幅因子V_high多空对冲净值 | 净值曲线证实λ=20%时表现领先 | 但波动及回撤较大反映策略风险 | 说明性能权衡 |
| 图7 | 高价振幅因子5分组年化收益非单调 | 分组收益排序不规则 | 稳定性不足依然存在但有所改善 | 提示需进一步优化 |
| 图8 | 高价和低价振幅因子IC均值差距趋势 | 随λ减小差距逐步放大 | 差异化信号增强,为理想因子构造提供依据 | 理论和实证结合 |
| 图9 | 理想振幅因子IC均值和ICIR | λ减小带来选股能力提升,ICIR提升明显 | 理想振幅因子有效性提升显著 | 关键成果图 |
| 图10 | 理想振幅因子多空对冲净值表现 | 净值持续攀升,稳健性优于高价振幅因子 | 多空收益提升,风险降低 | 关键改进效果体现 |
| 图11 | 理想振幅因子5分组年化收益单调 | 分组收益严格单调递减 | 分组收益逻辑严密,有助策略设计 | 优势明显 |
| 图12 | 理想振幅因子对回看天数N敏感性 | N小于30时绩效较稳健 | 参数鲁棒性强 | 增加模型实用性 |
| 图13 | 不同样本空间多空对冲净值 | 中小盘股选股效果更佳 | 因子对细分市场有差异化表现 | 应用细分指引 |
| 图14 | 理想换手率因子选股能力 | IC和ICIR指标优于原始换手率因子 | 揭示结构性方法的推广价值 | 方法扩展示范 |
所有数据与图表来源均系Wind、开源证券研究所,测算区间2010-04-30至2020-04-30。
本报告聚焦于量化因子研究和选股能力的测算,不涉及传统意义上的企业估值。其核心方法为因子回测框架,包含信息系数(IC)、信息比率(ICIR)、月度胜率、年度收益率、多空对冲净值及最大回撤等指标的构建与评估。
因此,报告的估值分析更多侧重于因子表现和策略收益的统计度量,而非传统股价估值模型。
报告主要风险提示如下:
报告未显著提及风险缓释具体方法,仅强调历史表现不代表未来,提示投资者谨慎参考。,9]
整体报告结构严密,逻辑自洽,基于多维指标综合佐证其结论,呈现高度专业严谨态度。
本报告以A股市场为样本,探讨振幅因子的微观结构及其对选股能力的影响,创新性地通过价格维度切割方法揭示出因子隐藏的异质信息结构,形成理想振幅因子并验证其优于传统因子的选股表现。
报告发现:
结合报告所有图表数据和分析得出的核心见解,理想振幅因子作为传统波动类因子的进阶版本,不仅体现了精细化因子设计的重要性,也为量化投资中的微观结构因子挖掘提供了前瞻思路。
最终,报告强调历史回测结果良好但不代表未来表现,提醒投资者注意市场环境变化相关风险,建议将理想振幅因子纳入多因子框架中综合权衡,以提升量化选股策略的有效性和稳定性。
本分析力求全面、细致地解构报告所有重要论点、数据及图表,清晰解析模型构造与实证验证过程,结合报告特有的量化指标体系,揭示振幅因子在微观结构研究中的前沿贡献。
市场微观结构研究系列(7):振幅因子的隐藏结构.pdf