量化因子与构建方式 1. 因子名称：跌幅时间重心偏离因子 - 因子的构建思路：通过涨、跌幅时间重心的相对位置，刻画日内分钟收益率的时序特征，提取有效的Alpha信号[4][33] - 因子具体构建过程： 1. 统计日内每分钟的涨幅和跌幅时间序列，分别记为 $(U, R_u)$ 和 $(D, R_d)$[13] 2. 计算涨幅时间重心 $G_u$ 和跌幅时间重心 $G_d$，公式如下： $G_u = U{R_u}^T / \|R_u\|_1$ $G_d = U{R_d}^T / \|R_d\|_1$[15] 3. 以跌幅时间重心对涨幅时间重心进行截面回归，取残差作为因子暴露值，并对过去20日均值进行平滑处理，得到跌幅时间重心偏离因子[4][33] - 因子评价：相比简单的“时间差”因子，跌幅时间重心偏离因子更能有效刻画分钟时序特征，且稳定性更高[33] 2. 因子名称：时间重心偏离（TGD）因子 - 因子的构建思路：在跌幅时间重心偏离因子的基础上，剥离收益率结构和极端样本的干扰因子，增强因子有效性[6][95] - 因子具体构建过程： 1. 逐日计算个股的涨幅时间重心 $G_u$ 和跌幅时间重心 $G_d$，以及以下干扰因子： - 平均涨幅 $\bar{R}_u$ 和平均跌幅 $\bar{R}_d$ - 时段1（09:31-10:00）和时段2（10:01-10:30）的涨跌幅 $R_1$ 和 $R_2$ - 隔夜涨跌幅 $R_{overnight}$[97] 2. 将涨、跌幅时间重心分别回归干扰因子，剥离其影响，得到残差项 $\varepsilon_u$ 和 $\varepsilon_d$： $G_u = f_u(\bar{R}_u, R_1, R_2, R_{overnight}) + \varepsilon_u$ $G_d = f_d(\bar{R}_d, R_1, R_2, R_{overnight}) + \varepsilon_d$[97] 3. 通过截面回归方法构造“时间差”指标，并取其20日均值作为TGD因子： $\varepsilon_d = \alpha + \beta \varepsilon_u + \varepsilon$[97] - 因子评价：TGD因子在全市场范围内表现稳定，收益分布均匀，且对其他因子中性化后仍保留显著的选股能力[99][103] 3. 因子名称：合成因子（TCD + SKEW） - 因子的构建思路：将时间维度的TCD因子与收益率分布特征的SKEW因子合成，进一步提升因子效果[7][116] - 因子具体构建过程： 1. 选取TCD因子和SKEW因子，分别在横截面上排序加总，得到合成因子[116] 2. 对合成因子进行五分组测试，验证其有效性[116] - 因子评价：合成因子相比单一因子在稳定性和收益率上均有显著提升，尤其在全市场范围内表现更优[120] --- 因子的回测效果 1. 跌幅时间重心偏离因子 - Rank IC：0.054[33] - Rank ICIR：2.99[33] - 多空收益：17.9%[72] - 多空IR：2.39[33] 2. 时间重心偏离（TGD）因子 - Rank IC：0.067[109] - Rank ICIR：4.94[109] - 多空收益：21.35%[109] - 多空IR：4.5[6] 3. 合成因子（TCD + SKEW） - Rank IC：0.084[120] - Rank ICIR：5.74[120] - 多空收益：22.99%[120] - 多空IR：4.45[117]