摘要：

個股的日內(nèi)交易特征是當(dāng)日交易關(guān)鍵要素的概況。通過多維度刻畫一段時間內(nèi)高開低收以外的日內(nèi)交易細節(jié)信息，使得低頻交易成為可能。

利用個股分鐘級別的量價數(shù)據(jù)構(gòu)造月頻因子，我們更為推薦兩步算法：首先刻畫個股日內(nèi)交易特征，再統(tǒng)計當(dāng)月的日內(nèi)交易特征。其更能突出體現(xiàn)個股日內(nèi)交易細節(jié)信息，且與傳統(tǒng)因子相關(guān)性較低。

日內(nèi)交易特征可分為交易情緒、參與者結(jié)構(gòu)和博弈狀態(tài)三大類。我們分別對三大類因子特征進行舉例說明，并對各因子進行有效性檢驗。多空有效的因子包括：日內(nèi)BETA、最高級出現(xiàn)時間、收盤成交量占比、成交量變異數(shù)比率、量價非平穩(wěn)時間序列相關(guān)性等。月度IC絕對值在3%-4%之間。

在組合構(gòu)建端我們建議根據(jù)因子的多空表現(xiàn)分為兩類：負面排除因子和多頭增強因子。日內(nèi)交易特征因子絕大多數(shù)仍然是空頭有效，可作為負面排除因子，僅收盤成交量占比因子多空表現(xiàn)均較為穩(wěn)定，建議作為多頭增強因子。

僅使用日內(nèi)交易特征因子構(gòu)建的指數(shù)增強策略，經(jīng)過基本面初篩、技術(shù)面復(fù)篩和ALPHA因子增強三步后，年化超額收益18.53%,最大回撤8.14%，信息比率2.15。

1. 引言

個股的日內(nèi)交易特征是當(dāng)日交易關(guān)鍵要素的概況。日K線高開低收數(shù)據(jù)即是經(jīng)典的日內(nèi)交易特征。K線理論中，高開低收的形態(tài)可用于反映多空博弈強弱。本篇報告試圖挖掘其他日內(nèi)交易細節(jié)，刻畫有效的日內(nèi)交易特征。

本報告首先使用個股1分鐘級別的數(shù)據(jù)構(gòu)造了一系列反映個股日內(nèi)交易特征的日度指標(biāo)，并由此構(gòu)造了月度ALPHA；其次，對日內(nèi)交易特征在組合構(gòu)建端的應(yīng)用給出相應(yīng)的建議；最后，基于日內(nèi)交易特征構(gòu)建了基礎(chǔ)的選股模型。

基于日內(nèi)交易特征的選股模型既是傳統(tǒng)多因子模型下的因子補充，也是介于傳統(tǒng)多因子模型和短周期量價模型的折衷方案，其超額收益來源是交易行為，但通過一定收益率的方式換取更低的換倉頻率，從而增加策略的可落地性。

2. 日內(nèi)交易特征因子的含義和有效性檢驗

利用個股分鐘級別的量價數(shù)據(jù)構(gòu)造月頻因子，有兩種算法：一種是直接把計算因子的數(shù)據(jù)頻率從日轉(zhuǎn)換為分鐘；另一種是兩步算法：首先刻畫個股日內(nèi)交易特征，再統(tǒng)計當(dāng)月（過去20日）的日內(nèi)交易特征，從而得到月頻ALPHA因子。我們認為第二種算法更占優(yōu)，其原因在于：

1. 多日的分鐘級別的價格數(shù)據(jù)由于休市和集合競價制度存在時間間隔不一致的問題，導(dǎo)致因子計算出現(xiàn)偏差。例如在使用分鐘數(shù)據(jù)計算多日的波動率時，其混合了日內(nèi)波動率和日間跳空波動率。

2. 利用方法一計算的因子值與使用低頻數(shù)據(jù)計算的通常具有中度的相關(guān)性，而使用方法二更能突出體現(xiàn)個股日內(nèi)交易細節(jié)信息。

因而具體而言，我們采取以下標(biāo)準(zhǔn)化處理流程計算日內(nèi)特征因子：

第一步，使用1分鐘數(shù)據(jù)計算個股當(dāng)日交易特征（剔除日內(nèi)超過2小時漲停或跌停的股票）

第二步，對于同一日不用個股的交易特征值去極值和標(biāo)準(zhǔn)化。

第三步，計算最近20日非空值平均值（空值數(shù)量小于5）

日內(nèi)交易特征可分為交易情緒、參與者結(jié)構(gòu)和博弈狀態(tài)三大類。本節(jié)分別對三大類因子特征進行舉例說明，并對各因子進行有效性檢驗。

剔除行業(yè)與風(fēng)格后因子的IC、ICIR采用了以下算法:

2.1. 交易情緒類因子

股價日內(nèi)價格走勢通常反映了投資者的交易情緒。 交易情緒類因子構(gòu)建方式比較多元， 相對有效的因子包括日內(nèi) BETA 和最高價出現(xiàn)時間等。

舉例 1：日內(nèi) BETA

因子定義：日內(nèi) 1 分鐘收益率對市場平均收益回歸的回歸系數(shù)。

核心邏輯：日內(nèi) Beta 越小， 表明股票走勢越特立獨行， 投資者情緒受市場影響較小， 預(yù)期收益越高。

舉例 2：日內(nèi)最高價出現(xiàn)時間

因子定義：日內(nèi)最高價出現(xiàn)的時間索引值（剔除開盤漲跌停的情況）。

hp_pos = idx ( high_price )

核心邏輯：有悖于直覺， 最高價出現(xiàn)時間越早， 投資者對隔夜信息的超買現(xiàn)象越嚴重， 交易情緒越激進，未來上漲的可能性反而越高。

2.2. 參與者結(jié)構(gòu)類因子

參與者結(jié)構(gòu)類因子最為推薦的因子構(gòu)建方式。原因在于參與者結(jié)構(gòu)因子與常見的日間技術(shù)類因子包括市值、換手率、動量或反轉(zhuǎn)等相關(guān)性較小，因而能在邊際上提供更多的預(yù)測性。

舉例 1： 收盤成交量占比

因子定義：收盤前 15 分鐘成交量占日總成交量的比例（不包括集合競價成交量）。

核心邏輯：《基于微觀市場結(jié)構(gòu)的擇時策略》提出投資者可分為知情交易者、趨勢追蹤者、跟隨交易者三大類。 由于 T+1 交易制度的存在， 缺少信息的跟隨交易者更傾向于尾盤交易，不愿承擔(dān)日內(nèi)波動。 跟隨交易者越多， 投機性越高， 預(yù)期收益越低，反之，長線投資者越高，預(yù)期收益率越高。 因而，因子與預(yù)期收益率為負向關(guān)系。

該因子為我們所測因子中 IC 最高的因子， 且多空表現(xiàn)均較為穩(wěn)定，因而可以作為多頭選股因子。

舉例 2： 正成交量指標(biāo) PVI

因子定義：放量時收益率之和

核心邏輯：根據(jù)費班克教授的觀點， 股票越是散戶主導(dǎo)的市場。 散戶通常是一個喜歡追漲殺跌的群體，因此，當(dāng)行情出現(xiàn)價漲量增的走勢時，“散戶群” 參與度會較高。 因而， PVI 用于偵測行情是否屬于散戶市場，PVI 越大，股票越是散戶主導(dǎo)的市場。

2.3. 博弈類因子

測試中表現(xiàn)最好的博弈狀態(tài)類因子為風(fēng)險模糊度 VoV （參見《基于風(fēng)險模糊度的選股策略》）。 其他相對有效的因子包括量價背離、變異數(shù)比率等。 博弈狀態(tài)類因子主要刻畫了交易多空雙方日內(nèi)博弈的過程。

舉例 1： 量價背離

因子定義：日內(nèi)價格與成交量的負相關(guān)性

核心邏輯：日內(nèi)縮量上漲或者放量下跌優(yōu)于放量大漲或縮量下跌， 縮量上漲的股票，其交易中所負載的信息含量大、 信息不對稱程度高， 因而動量較強（參見《基于流動性偏好的風(fēng)格配置策略》）。

相關(guān)性衡量方式：非平穩(wěn)時間序列相關(guān)性

我們在《基于短周期價量特征的多因子選股體系》中發(fā)現(xiàn)了日間的量價背離對未來短期收益率有一定的預(yù)測能力。同樣， 我們使用日內(nèi)數(shù)據(jù)刻畫量價背離也得到了類似的結(jié)論。在原報告基礎(chǔ)上，我們對相關(guān)系數(shù)的計算方法進行了一定的改進。

傳統(tǒng)的 Pearson 相關(guān)系數(shù)潛在假設(shè)了時間序列的平穩(wěn)性。由于股票價格和成交量序列是非平穩(wěn)序列，使用 Pearson 相關(guān)系數(shù)來衡量量價相關(guān)性并不合適；Pearson 相關(guān)系數(shù)的另一個缺點是簡單地通過變量與均值的距離計算的相關(guān)系數(shù)，無法很好地把握時間序列變化的方向。

而我們使用的新的相關(guān)性計算方式很好的解決在非平穩(wěn)序列情形下，同樣我們構(gòu)造 5000 對隨機游走的時間序列，從而計算其相關(guān)系數(shù)。

從結(jié)果中，可以看到，新的相關(guān)系數(shù)均值比 Pearson 系數(shù)更接近真實值 0。除此之外，它的標(biāo)準(zhǔn)差也小于 Pearson 相關(guān)性系數(shù)的標(biāo)準(zhǔn)差。所以，新的時間序列相關(guān)系數(shù)在捕捉變量之間的獨立性時完全占優(yōu)于 Pearson 相關(guān)性系數(shù)。

舉例 2： 變異數(shù)比率（Variance Ratio ）

因子定義：不同期間累計成交量方差比。

核心邏輯：參照 Poterba（1987）的觀點， 變異數(shù)比率反映成交量的自相關(guān)性。 變異數(shù)比率大于 1，則成交量有正的自相關(guān)性，趨勢性較強。 變異數(shù)比率小于 1，則成交量有負的自相關(guān)性，均值回復(fù)較強。

該因子是所測因子中純因子組合收益率最高的因子。我們使用 5 分鐘成交量均線的方差與 10 分鐘成交量均線的方差構(gòu)造了變異數(shù)比率，用于反映日內(nèi)成交量的趨勢性。通常，若日內(nèi)出現(xiàn)放巨量后，隨后未有資金跟進，出現(xiàn)成交量快速回落的現(xiàn)象時，成交量均值回復(fù)特點明顯， 表明信息連續(xù)性比較弱， 從而預(yù)期收益較低。 因此， 該因子值與預(yù)期收益率呈現(xiàn)正向變動的關(guān)系。

3. 日內(nèi)特征因子在組合構(gòu)建中的應(yīng)用

在之前的報告中，我們提出了量化選股的三個步驟：基本面因子初篩、技術(shù)類因子增強和微觀交易結(jié)構(gòu)的再增強。我們建議對于換倉頻率較高的投資再加入一步——技術(shù)面的復(fù)篩，形成量化選股的四個步驟：

第一步，基本面因子初篩；

第二步，技術(shù)類因子復(fù)篩；

第三步， ALPHA 因子增強；

第四步，微觀交易結(jié)構(gòu)的再增強。

若換倉頻率較低（季頻或以上），基本面篩選更重要； 若換倉頻率高（周頻或月頻），技術(shù)面篩選更重要。 基本面篩選為了避免踩雷， 而技術(shù)面篩選可以避免錯誤時間買入正確的股票，起到個股擇時的作用。更重要的原因是： 技術(shù)類多空收益率高，但絕大數(shù)因子空頭要好于多頭，技術(shù)類因子由于做空限制的存在， 空頭在各年份都較為穩(wěn)定， 因而大部分技術(shù)面因子更適用于負向排除。以波動率因子為例，高波動股票由于存在做空限制下的過度樂觀現(xiàn)象和投資者的賭徒心態(tài)，通常估值過高，從而未來收益率走低。

基于上述思路，技術(shù)類因子可分為兩類：負面排除因子與正向增強ALPHA 因子。根據(jù)因子多空的表現(xiàn)情況，我們針對日內(nèi)特征因子進行分類，結(jié)果表明，絕大多數(shù) IC 顯著的因子僅可算作空頭因子，而不能作為多頭因子。其分類標(biāo)準(zhǔn)依據(jù)為是否 2010 年以來每年都有正超額收益。 我們更關(guān)注多頭的穩(wěn)定性， 若多頭收益不穩(wěn)定，則更傾向于認為該因子在多頭上為風(fēng)格因子，不建議做 ALPHA 增強。

負向排除因子：日內(nèi) BETA 、 HighPrice_pos、 技術(shù)指標(biāo) PVI 、 VoV、量價相關(guān)性、 成交量變異數(shù)比率， WVAD

正向增強因子：收盤成交量占比

結(jié)果表明，在檢驗的系列日內(nèi)交易特征因子中，僅收盤成交量因子可作為正向增強因子，其余因子雖然某些因子多頭收益較高，但仍然建議作為負面排除因子。

具體而言，我們僅使用日內(nèi)交易特征因子，構(gòu)建基礎(chǔ)的選股策略進行歷史回溯，以供參考。策略構(gòu)建暫不考慮微觀交易增強，可分為三步：

?STEP 1:基本面初篩

? 剔除凈利潤或營業(yè)利潤為負的股票

?STEP 2: 技術(shù)面復(fù)篩

? 剔除各個負向排除因子全市場最差 1/5 的股票

?STEP 3:ALPHA 因子增強

? 行業(yè)中性后根據(jù) ALPHA 因子（收盤成交量占比） 排序，取前 50 只股票

回測相關(guān)參數(shù)設(shè)定如下：

股票池：全 A 市場（剔除 ST、停牌與次新）

調(diào)倉頻率：月?lián)Q倉

建倉成本：雙邊千分之三

加權(quán)方式：等權(quán)

對沖指數(shù)：中證 500 等權(quán)

回測結(jié)果及相關(guān)績效展示如下：

4. 總結(jié)與展望

本篇報告嘗試用分鐘級別的數(shù)據(jù)構(gòu)造了一系列月頻 ALPHA 因子，并對其進行了因子顯著性檢驗。本篇報告主要借用了一些日頻因子的構(gòu)建方式刻畫了日內(nèi)交易特征。實際上，日內(nèi)數(shù)據(jù)量巨大，刻畫日內(nèi)交易特征的方式眾多，未來我們會繼續(xù)開發(fā)其他日內(nèi)交易特征因子，特別是多頭收益穩(wěn)定的因子。

除此之外，本篇報告主要針對日內(nèi)交易特征構(gòu)造了月度 ALPHA 因子，考慮到技術(shù)類因子有效性衰退較快，未來會進一步探索周度換倉策略的組合構(gòu)建。

拓展閱讀：

1.一個量化策略師的自白（好文強烈推薦）

2.市面上經(jīng)典的量化交易策略都在這里了！（源碼）

3.期貨/股票數(shù)據(jù)大全查詢（歷史/實時/Tick/財務(wù)等）

4.干貨| 量化金融經(jīng)典理論、重要模型、發(fā)展簡史大全

5.從量化到高頻交易，不可不讀的五本書

6.高頻交易四大派系大揭秘