summaryequityA-sharehigh-frequencyintradaydomain-partitionsaliencepeer-grouppairwise-correlationfactor

兴业金工《高频研究系列九》— 日内分域信息中的 Alpha

来源

  • 机构: 兴业证券经济与金融研究院（兴业金工），公众号 XYQuantResearch（研报节选）
  • 研报: 《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，公众号发布 2024-08-22
  • 分析师: 郑兆磊 (S0190520080006)
  • 本地归档: raw/articles/202408-xingye-intraday-domain-information-alpha/（正文 + 原页 HTML + 45 张图）
  • 回测区间: 2014-12-31 — 2024-06-30；剔除不在市、涨跌停与特殊处理股票，T+1 日收盘买入、T+2 日收盘卖出；多空为两组按因子值加权

一句话总结

把一只股票的一天切成几块「交易环境」，在每块里问「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。 这篇的核心是把「分域」这件事同时用在两个方向上：一只股票内部的日内切块（自身显著性因子），以及全市场两两比较（同伴显著性因子）。

四类信息里的第四类：另类信息

《高频漫谈》把高频指标写成 g = f(data, Information)，另类信息的定义是 Information \notin data——用数据本身没有的东西去限制因子的计算方式。开盘、尾盘、大单都属此类。分域也是另类信息：「哪一段属于哪个域」是先验规定的，不是从数据学出来的。

分域怎么做

三个维度分域，每个维度配两种域内特征：

被分域特征 域内特征
时间 收益率、成交量
价格 波动率、成交量
成交量 波动率、收益率

关键设计：分域用的数据和域内刻画用的数据不是同一个。 时间分域按半小时切成 8 块；价格与成交量分域因为分钟数据随机性大，先按不重叠原则切特征序列，再做等频分域切成 5 块。

自身显著性因子

显著性算法来自 Cosemans & Frehen (2021)，要求保序性、敏感性递减、对称性三性质。本文的改造是把输入从收益率换成域内特征：

intraDS = max\left(\frac{\lvert qcutCHR_i - avg(qcutCHR)\rvert}{\lvert qcutCHR_i\rvert + \lvert avg(qcutCHR)\rvert + \varepsilon}\right) 分子是「本股该域特征」与「全市场该域平均特征」的差距，分母是两者绝对值之和加 \varepsilon，跨域取最大。 反转版把方向加回来： intraDS2 = max\left(\frac{\lvert qcutCHR_i - avg(qcutCHR)\rvert}{\lvert qcutCHR_i\rvert + \lvert avg(qcutCHR)\rvert + \varepsilon}\right) * rtn_{argmax}

12 个因子（6 个原版 + 6 个反转版）全部预期为升序（显著性越大预期收益越低），时序上再取 20 日均值。

股票间成对相关性

日内量价直接算相似度有两个毛病：噪音大、周期性强（开盘收盘都忙、极端价位套利资金一起冲）。做法是三步：

  1. 分域特征矩阵 qcutCHRALL（时间维 J=8，价格与成交量维 J=5）
  2. 域内标准化 qcutCHRSTD^i_j = \dfrac{qcutCHR^i_j - avg([qcutCHR^i_j]_{i=1\ldots N})}{std([qcutCHR^i_j]_{i=1\ldots N})} —— 把「这一域里所有股票共同的成分」减掉
  3. 域内逐域算皮尔逊相关，再跨域平均：corrCHR^{a,b} = \sum_j corr(qcutCHRSTD^a_j, qcutCHRSTD^b_j) / J

矩阵压成两个数：均值（与市场整体的趋同性）与标准差（走势是否独立）。均值类因子的 IC 一律高于标准差类；corrVolStd_byT 的 IC 是 0.000，基本失效。

同伴显著性因子

沿用 Yili Chen 等 2024 的思路：如果一只股票相对一组同伴显著突出，投资者会过度反应导致股价异动。「同伴」用分域后的成对相关性矩阵来定义，得到 peerDS_byT / peerDS_byP / peerDS_byV 三个因子，显著性越高预期收益越低。

关键绩效

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
corrRtnMean_byV 0.025 0.31 16.44% 2.44

自身显著性因子 ICIR 与夏普最高，相似度基础型因子最弱，同伴显著性因子居中但特异性最好。

特异性方面：自身显著性与低频量价因子截面相关均值约 0.14（反转因子更强）；同伴显著性因子与底层高频因子时序相关均值约 0.35，正交化后降到 0.1 左右——这是全篇特异性最好的结果。

两处最值得留意的地方

一、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%），多空收益几乎全部来自空头端。lh_stdDiff 多空 34.86% 但多头只有 2.65%。这类因子的收益结构是「做空涨得多的股票」，不是「做多涨得少的股票」。

二、正交化后 IC 下降但夏普上升。自身显著性三因子正交化后 IC 从 0.039/0.038 降到 0.030/0.026，夏普从 5.55/6.38 变为 3.49/4.37（同时年化波动率下降）。收益没少，波动降得更多——高频因子的常见模式。

入口与交叉引用