量化模型与构建方式 模型名称:主力波动率因子 - 模型构建思路:基于日内1分钟频价格和成交量,识别主力资金的拉升和出货行为,构建波动率因子[1][2][3] - 模型具体构建过程: 1. 引入分钟频数据,提高收益率数据的颗粒度[11] 2. 从两个维度识别不同类型投资者,对日内收益率信息进行拆分和提纯[11] 3. 改进波动率计算方法,提高因子稳定性[11] 4. 状态分类方法一:根据当前分钟的成交量与上一区间最后一分钟的成交量的相对大小,将股票划分为缩量上涨、放量上涨、缩量下跌和放量下跌4种状态[12] 5. 状态分类方法二:根据当前分钟的成交量与当前区间前续分钟的成交量的相对大小,将股票划分为缩量持续上涨、放量持续上涨、平量持续上涨、缩量持续下跌、放量持续下跌和平量持续下跌6种状态[14][15] 6. 计算每种状态对应的时段收益率作为该形态下的日内收益率[24] 7. 对过去20个日度收益率先做截面标准化,取其绝对值,再做截面标准化,然后计算绝对值调整后的过去20日收益率的标准差[24] 8. 将“放量上涨”、“放量持续上涨”、“放量下跌”和“放量持续下跌”这4个状态波动率因子等权合成,得到主力波动率因子[27] - 模型评价:主力波动率因子通过日内交易形态更准确地刻画了主力资金行为对股价的影响,从而更细致地衡量了股票的波动率大小,实现了更优秀的选股效果[76] 模型的回测效果 - 主力波动率因子,IC均值6.75%,Rank IC均值9.06%,多空年化收益33.83%,多空年化夏普比率2.85,多头年化超额收益9.96%,多头超额年化夏普比率1.84[29] - 主力波动率因子在沪深300、中证500、中证1000和国证2000内年年化多空收益分别为10.31%、16.86%、35.46%、37.69%[43] 量化因子与构建方式 因子名称:放量上涨因子 - 因子的构建思路:基于日内分钟频数据,识别放量上涨状态,构建波动率因子[12] - 因子具体构建过程: 1. 按照日内分钟频收益率方向变化的时刻,将日内收益率序列合并为上涨下跌趋势段[12] 2. 对每一分钟判断当前时刻成交量与上一个趋势段的最后一分钟成交量的相对大小[12] 3. 按照收益率的上涨、下跌,以及成交量的相对放量、缩量将日内每分钟行情划分为放量上涨、缩量上涨、放量下跌、缩量下跌4种状态[12] 4. 计算放量上涨状态对应的时段收益率作为该形态下的日内收益率[24] 5. 对过去20个日度收益率先做截面标准化,取其绝对值,再做截面标准化,然后计算绝对值调整后的过去20日收益率的标准差[24] - 因子评价:放量上涨因子能够更好地代表主力资金拉升行为,主力资金的持续流入代表股票目前被看好,上涨概率更大[21] 因子名称:放量持续上涨因子 - 因子的构建思路:基于日内分钟频数据,识别放量持续上涨状态,构建波动率因子[14] - 因子具体构建过程: 1. 按照日内分钟频收益率方向变化的时刻,将日内收益率序列合并为不同趋势段[14] 2. 对于每个趋势段内的每一分钟,比较其对应成交量与区间内每分钟对应成交量的相对大小[14] 3. 按照收益率的上涨、下跌,以及成交量的相对大小将日内每分钟行情划分为放量持续上涨、平量持续上涨、缩量持续上涨、放量持续下跌、平量持续下跌、缩量持续下跌6种状态[14][15] 4. 计算放量持续上涨状态对应的时段收益率作为该形态下的日内收益率[24] 5. 对过去20个日度收益率先做截面标准化,取其绝对值,再做截面标准化,然后计算绝对值调整后的过去20日收益率的标准差[24] - 因子评价:放量持续上涨因子能够更好地代表主力资金拉升行为,主力资金的持续流入代表股票目前被看好,上涨概率更大[21] 因子的回测效果 - 放量上涨因子,IC均值7.04%,Rank IC均值9.63%,多空年化收益35.80%,多空年化夏普比率3.17,多头年化超额收益11.05%,多头年化夏普比率2.19[22] - 放量持续上涨因子,IC均值6.98%,Rank IC均值9.28%,多空年化收益35.84%,多空年化夏普比率3.28,多头年化超额收益10.79%,多头年化夏普比率2.08[24]
量化专题报告:基于分钟K线的“主力波动率”构造及应用
民生证券·2024-08-02 16:23