高频数据因子研究系列三：基于个股羊群效应的选股因子研究-20200505-广发证券-43页_2mb

基于个股羊群效应的选股因子研究总结

核心内容

本报告围绕基于个股日内高频数据构建的羊群效应选股因子展开研究，旨在通过挖掘新的因子指标，丰富传统多因子选股模型，以应对传统因子在A股市场中逐渐失效的问题。研究采用LSV模型来衡量个股的羊群行为，通过区分主动买卖单，计算特定股票买卖双方的相对强弱，构建新的因子指标。

主要观点

• 传统多因子模型：在A股市场中，传统多因子模型（如反转因子、市值因子）曾表现出稳定的超额收益率，但随着市场的发展，其有效性已逐渐减弱。
• 羊群效应：投资者行为的模仿现象（羊群效应）在行为金融学中是一个重要研究领域。LSV模型用于量化个股的买卖压力，反映了市场中非理性行为的强度。
• 高频数据应用：利用个股日内高频交易明细数据，构建新的因子指标，以捕捉市场中非传统数据维度的潜在价值。
• 因子有效性：实证分析显示，该因子在全市场、中证800、中证500及沪深300等不同市场样本池中均表现出良好的区分能力，且在周频调仓下具有一定的收益优势。
• 策略表现：因子策略在全市场范围内，年化收益率达24.61%，年化波动率为9.30%，信息比率为2.59。经过处理后，策略表现进一步优化，年化收益率提升至24.98%，波动率下降至8.62%。
• 风险提示：因子策略基于历史数据推演，市场环境变化可能影响其未来表现，投资者需结合自身情况和市场环境审慎使用。

关键信息

一、因子构建方法

• 定义羊群行为：通过区分主动买卖单，计算个股的买方驱动单和卖方驱动单比例，结合市场平均比例进行衡量。
• 公式：
  $$
  H (i, T) = \left| \frac {B (i , T)}{B (i , T) + S (i , T)} - P _ {T} \right| - A F (t, T)
  $$
  $$
  A F (i, T) = \sum_ {k = 0} ^ {N _ {i, T}} {\binom {N _ {i, T}} {k}} p _ {T} ^ {k} (1 - p _ {T}) ^ {N _ {i, T} -} \left| \frac {k}{N _ {i , T}} - p _ {T} \right|
  $$
• 分档方式：根据因子值将个股分为10档，等权重构建投资组合。

二、实证分析结果

1. 全市场选股

• IC表现：因子IC均值为0.047，正IC占比69.90%，分档收益单调性明显。
• 策略表现：年化收益率24.61%，年化波动率9.30%，信息比率2.59。
• 换手率：年均换手率约为82.50%，波动范围在61.95%至98.99%之间。

2. 中证800内选股

• IC表现：因子IC均值为0.043，正IC占比64.68%。
• 策略表现：年化收益率22.01%，对冲中证800指数后年化收益率16.27%，信息比率1.14。
• 换手率：年均换手率约为81.09%，波动范围在61.95%至98.99%之间。

3. 中证500内选股

• IC表现：因子IC均值为0.052，高于全市场和中证800内选股。
• 策略表现：年化收益率25.79%，对冲中证500指数后年化收益率16.72%，信息比率1.87。
• 换手率：年均换手率约为82.42%，波动范围在63.04%至100.00%之间。

4. 沪深300内选股

• IC表现：因子IC均值为0.028，正IC占比57.82%。
• 策略表现：年化收益率25.79%，对冲沪深300指数后年化收益率16.72%，信息比率1.87。
• 换手率：年均换手率约为82.42%，波动范围在63.04%至100.00%之间。

三、因子处理与优化

• 处理方式：对因子进行去极值、中性化和标准化处理，以提高策略表现。
• 处理后表现：在全市场范围内，处理后策略年化收益率提升至24.98%，波动率下降至8.62%，信息比率提高至2.84。
• 分板块表现：处理后因子在不同板块中表现出一定的有效性，且对冲策略在各板块中均取得稳定收益。

四、风险提示

• 历史数据依赖：本研究基于过去数据的测算，未来市场环境可能发生变化。
• 策略适用性：投资者应结合自身投资理念与市场环境，审慎制定投资策略。

结论

基于个股日内高频数据构建的羊群效应因子在多个市场样本池中均表现出良好的区分能力与策略表现。该因子在不同市场环境下的有效性有所差异，但整体上能够为多因子选股模型提供新的维度。经过处理后的因子策略表现更优，具有较高的信息比率和相对稳定的收益。然而，因子策略的有效性依赖于历史数据，未来市场环境的变化可能影响其表现，投资者需注意风险。