量化因子与构建方式 1. 因子名称：高频价格区间因子[3][11] * 因子构建思路：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3]。研究发现，高价格区间成交越不活跃，或低价格区间大单越活跃，股票未来上涨可能性越大[11]。 * 因子具体构建过程：该因子由三个细分因子加权合成。 * 细分因子1：高价格80%区间成交量因子 (VH80TAW)。利用三秒快照数据，计算股票在日内高价格80%区间的成交量，该因子值与未来收益呈负相关[11]。 * 细分因子2：高价格80%区间成交笔数因子 (MIH80TAW)。计算股票在日内高价格80%区间的成交笔数，该因子值与未来收益呈负相关[11]。 * 细分因子3：低价格10%区间每笔成交量因子 (VPML10TAW)。计算股票在日内低价格10%区间的平均每笔成交量，该因子值与未来收益呈正相关[11]。 * 合成方法：对上述三个细分因子，分别赋予25%、25%和50%的权重进行合成[14]。然后对合成后的因子进行行业和市值中性化处理[14]。 * 因子评价：该因子展现出了较强的预测效果，今年以来表现比较稳定[3]。在样本外表现出色，超额净值曲线稳定向上[16]。 2. 因子名称：高频量价背离因子[3][19] * 因子构建思路：衡量股票价格与成交量的相关性，当量价出现背离时（相关性低），无论股价处于上升或下降通道，未来上涨的可能性均较高[19]。 * 因子具体构建过程：该因子由两个细分因子等权合成。 * 细分因子1：价格与成交笔数相关性因子 (CorrPM)。利用高频快照数据，计算快照成交价（或收益率）与快照成交笔数的相关性[19]。 * 细分因子2：价格与成交量相关性因子 (CorrPV)。利用高频快照数据，计算快照成交价（或收益率）与快照成交量的相关性[19]。 * 合成方法：对上述两个细分因子进行等权合成[19]。然后对合成后的因子进行行业和市值中性化处理[19]。 * 因子评价：该因子近几年表现一直不太稳定，多空净值曲线趋近走平[3]。自2020年以来，收益呈现下降趋势，可能与高频因子被广泛使用有关[23]。但今年以来表现良好，能相对稳定获取正的超额收益[23]。 3. 因子名称：遗憾规避因子[3][24] * 因子构建思路：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度。卖出后反弹占比越高或反弹程度越大，股票的预期收益会更低[24]。 * 因子具体构建过程：该因子由两个细分因子等权合成。 * 细分因子1：卖出反弹占比因子 (LCVOLESW)。利用逐笔成交数据区分主动买卖方向，计算卖出后股价反弹的交易占比[24]。 * 细分因子2：卖出反弹偏离因子 (LCPESW)。利用逐笔成交数据区分主动买卖方向，计算卖出后股价反弹的程度[24]。 * 合成方法：对上述两个细分因子进行等权合成[28]。然后对合成后的因子进行行业和市值中性化处理[28]。 * 因子评价：该因子展现了较好的预测效果，样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3][31]。 4. 因子名称：斜率凸性因子[3][32] * 因子构建思路：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据计算买卖双方的订单簿斜率，刻画其对股票预期收益的影响[3][32]。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），股票预期收益越高[32]。 * 因子具体构建过程：该因子由两个细分因子等权合成。 * 细分因子1：低档斜率因子 (Slope_abl)。将委托量数据按档位累加，用委托价和累计委托量计算低档位的订单簿斜率[32]。 * 细分因子2：高档位卖方凸性因子 (Slope_alh)。将委托量数据按档位累加，用委托价和累计委托量计算高档位的卖方订单簿凸性[32]。 * 合成方法：对上述两个细分因子进行等权合成[35]。然后对合成后的因子进行行业和市值中性化处理[35]。 * 因子评价：该因子自2016年以来收益保持平稳趋势，但在样本外整体表现比较平淡[35]。 量化模型与构建方式 1. 模型名称：高频“金”组合中证1000指数增强策略[4][38] * 模型构建思路：将上述三类高频因子（价格区间、量价背离、遗憾规避）等权合成，构建纯高频因子的指数增强策略[4]。 * 模型具体构建过程： * 因子合成：将价格区间因子、量价背离因子、遗憾规避因子进行等权合成[4]。 * 策略设置：以中证1000指数为基准，进行周频调仓[38]。手续费率为单边千分之二[38]。加入换手率缓冲机制以降低调仓成本[38]。 2. 模型名称：高频&基本面共振组合中证1000指数增强策略[4][43] * 模型构建思路：将高频因子与有效的传统基本面因子结合，以提升多因子投资组合的表现[43]。 * 模型具体构建过程： * 因子池：高频因子包括上述三类因子（价格区间、量价背离、遗憾规避）；基本面因子包括一致预期、成长和技术因子[43]。 * 因子合成：将所有高频因子和基本面因子进行等权合成[4]。 * 策略设置：以中证1000指数为基准，构建指数增强策略[43]。 因子的回测效果 （注：以下因子表现数据均基于中证1000指数成分股，并经过行业市值中性化处理[10]。超额收益基准为所有成分股等权配置[10]。） 1. 价格区间因子，上周多空收益率2.18%[10]，本月以来多空收益率4.25%[12]，今年以来多空收益率4.25%[12]；上周多头超额收益率1.24%[10]，本月以来多头超额收益率1.60%[12]，今年以来多头超额收益率1.60%[12]。 2. 量价背离因子，上周多空收益率3.60%[10]，本月以来多空收益率3.71%[12]，今年以来多空收益率3.71%[12]；上周多头超额收益率1.80%[10]，本月以来多头超额收益率2.41%[12]，今年以来多头超额收益率2.41%[12]。 3. 遗憾规避因子，上周多空收益率0.02%[10]，本月以来多空收益率-0.91%[12]，今年以来多空收益率-0.91%[12]；上周多头超额收益率0.17%[10]，本月以来多头超额收益率-0.82%[12]，今年以来多头超额收益率-0.82%[12]。 4. 斜率凸性因子，上周多头超额收益率-0.40%[2]，本月以来多头超额收益率-2.01%[2]，今年以来多头超额收益率-2.01%[2]。 模型的回测效果 1. 高频“金”组合中证1000指数增强策略，年化收益率10.56%[39]，年化波动率23.75%[39]，Sharpe比率0.44[39]，最大回撤率47.77%[39]，双边换手率（周度）14.66%[39]，年化超额收益率9.58%[39]，跟踪误差4.36%[39]，信息比率(IR)2.20[39]，超额最大回撤6.53%[39]；上周超额收益0.68%[4]，本月以来超额收益-1.74%[4]，今年以来超额收益-1.34%[4]。 2. 高频&基本面共振组合中证1000指数增强策略，年化收益率14.80%[45]，年化波动率23.39%[45]，Sharpe比率0.63[45]，最大回撤率39.60%[45]，双边换手率（周度）22.54%[45]，年化超额收益率13.70%[45]，跟踪误差4.23%[45]，信息比率(IR)3.24[45]，超额最大回撤4.97%[45]；上周超额收益0.18%[4]，本月以来超额收益-1.05%[4]，今年以来超额收益率-0.92%[4]。