reportsell-sidechinaa-sharehigh-frequencyintradaydomain-partitionsaliencepeer-groupfactor

Xingye (2024) — 日内分域信息中的 Alpha

一句话：把一只股票的一天切成几块「交易环境」（时间、价格、成交量三个维度），在每块里比「这只股票的表现跟同一天其他股票差多少」——差得越远越显著，显著过头就会被过度关注、随后反转。分域同时用在「一只股票内部切块」和「全市场两两比较」两个方向上。

  • 机构: 兴业证券经济与金融研究院（兴业金工）
  • 报告: 《高频研究系列九—日内分域信息中的 Alpha》
  • 对外发布时间: 2024-07-31（公众号版 2024-08-22）
  • 分析师: 郑兆磊 (S0190520080006)
  • 公众号: XYQuantResearch（研报节选版）
  • 本地归档: raw/articles/202408-xingye-intraday-domain-information-alpha/（正文 + 原页 HTML + 45 张图）

在系列中的位置

《高频漫谈》（2022-01-04）是整个系列的基础篇与框架篇，提出分布信息 / 时序信息 / 关联信息 / 另类信息四类指标。本篇属于第四类（另类信息）——另类信息的定义是 Information \notin data，即用数据本身没有的东西限制因子计算方式；「哪一段属于哪个域」是先验规定的，因此分域也是另类信息。

本篇是系列八《关联信息中的 Alpha》（2024-06-05）的直接延续，也是系列十（2026-10-21）在正文里回顾的前序报告之一。

三层方法

层次 方法 产出因子
基础型 时序分域（开盘 vs 尾盘半小时）、股价分域（找高价/低价时点再作差） lh_rtnDiff lh_volDiff lh_stdDiff diff_idx diff_std diff_vol
自身显著性 分域 → 域内特征 → 显著性算法（Cosemans & Frehen 2021，输入从收益率换成域内特征） intraDSVol_byT intraDSStd_byP intraDSRtn_byV 等 6 个
股票间 分域 → 域内标准化 → 域内皮尔逊相关 → 跨域平均 → 成对相似度矩阵 corrRtnMean_byT 等 12 个

进阶一层：同伴显著性因子——沿用 Yili Chen 等 2024 的同伴显著性思路，把成对相关性矩阵当作「同伴」的定义，得到 peerDS_byT / peerDS_byP / peerDS_byV。

代表性因子表现

因子 IC 均值 ICIR 多空年化 夏普
peerDS_byT 0.043 0.54 34.22% 4.49
peerDS_byV 0.040 0.50 30.94% 4.11
intraDSVol_byT 0.039 0.62 35.02% 5.55
intraDSVol_byP 0.038 0.69 32.68% 6.38
corrRtnMean_byT 0.031 0.37 18.99% 2.66

三处最值得留意的地方

一、自身显著性因子 ICIR 与夏普最高，同伴显著性因子特异性最好。 同伴显著性因子与底层高频因子的时序相关性均值约 0.35，正交化后降到 0.1 左右——全篇特异性最强的结果。

二、相似度矩阵压缩出的两类统计量差别很大。 均值类因子 IC 一律高于标准差类；corrVolStd_byT 的 IC 是 0.000、ICIR 0.01、T 值 0.31，完全失效。

三、三个时序分域基础因子的多头收益率是负的（lh_rtnDiff -3.99%、lh_volDiff -2.11%、lh_stdDiff +2.65%），多空收益几乎全部来自空头端——收益结构是「做空涨得多的股票」。

在本 wiki 的位置

引用规范

引用时给出系列号 + 标题 + 发布日期（2024-07-31）。公众号版是研报节选，与研报全文可能存在差异，以研报全文为准。回测区间 2014-12-31 — 2024-06-30。