2022年股票分析方法 績優因子表現分析

一、背景介紹

波動率研究在資產定價及風險管理中具有重要作用，而如何更準確地估計波動率以 及如何從中提取出Alpha信息一直是學界的熱門話題。早在上世紀80年代，Merton （1980）在《On Estimating the Expected Return on the Market: An Exploratory Investigation》中就提出高頻股價收益率可以用于準確地估計波動率。然而這一推論 是建立在資產價格的連續擴散模型之上的，這一假設在實證研究中往往不能得到滿 足。雖然近年來利用高頻股價數據開展的研究越來越多，但是直接利用高頻數據進 行波動率建模仍然十分困難。學術界利用高頻數據估計波動率的一個重要研究成果 是Andersen等（2001）在《The Distribution of Realized Exchange Rate Volatility》 中提出的已實現波動率，這一簡單的估計方式在預測波動率方面已被反復驗證要優 于許多經典連續時間模型的估計結果。然而較為可惜的是，隨后大量的實證研究表 明已實現波動率對資產收益率的預測效果有限。

另一方面，越來越多的研究表明資產價格不能用簡單的連續時間模型來刻畫，而應 該將資產價格中的不連續變化（即跳躍）考慮在內。隨著Barndorff和Shephard（2004） 在《Power and Bipower Variation with Stochastic Volatility and Jumps》中利用股 價的跳躍—擴散模型從理論上證明可以將資產價格波動率中的跳躍部分分離出來， 這使得研究股價波動率中的跳躍部分對資產收益率的預測成為可能。在此基礎上， 隨后的許多學術研究嘗試從不同方面對股價波動率的跳躍部分進行分解，以尋找其 中更顯著的資產定價信息。 我們看到目前業界在A股上利用股價跳躍模型進行因子實證的研究還較少，因此本報 告試圖梳理相關的學術研究成果，并構建一系列衍生日內跳躍波動因子進行A股實證 研究。

二、研究進展

Yu等（2020）在《New Evidence of the Marginal Predictive Content of Small and Large Jumps in the Cross-Section》中分別從大小和方向（上行、下 行）這兩個維度構建跳躍波動的分量因子進行實證研究，他們發現不同因子對股價 收益率預測具有不同的作用。具體的，他們構建了以下9個因子：

（1） 上行跳躍波動因子： = ( + − ?/2,0), （2） 下行跳躍波動因子： = ( − − ?/2,0), （3） 上下行跳躍波動不對稱因子： = − , （4） 大程上行跳躍波動因子： = ( , ∑ =1 , 2 {,≥} ), （5） 大程下行跳躍波動因子： = ( , ∑ =1 , 2 {,≤−} ), （6） 大程上下行跳躍波動不對稱因子： = − , （7） 小程上行跳躍波動因子： = − , （8） 小程下行跳躍波動因子： = − , （9） 小程上下行跳躍波動不對稱因子： = − 。

本報告綜合Duong和Swanson（2015）、Bollerslev等（2020）、Yu等（2020）對 于跳躍波動因子的構建思路，對他們所構建的跳躍波動因子及其對應的用已實現波 動率進行歸一化的因子構建了26種日度因子。并利用日度因子值分別構建周度和月 度均值因子展開實證分析。下圖展示了跳躍波動類型因子構建框架：

三、實證分析

（一）數據說明

選股范圍：全A市場 ；股票預處理：剔除ST/ST*、漲跌停板、上市未滿60個交易日股票 ；因子預處理：去極值、標準化、行業市值中性化 ；回測區間：2010.01.01 - 2022.07.29 分檔方式：根據當期股票的因子值，從小到大分為十檔 ；調倉周期：每周/每月最后一個交易日以收盤價調倉 ；交易費用：雙邊千三。

（二）因子構建說明

本節利用5分鐘數據頻率構建已實現跳躍波動類型因子，選擇5分鐘數據頻率是因為 研究表明數據頻率太低與太高都會導致估計不準確，因此這里選擇與大部分實證研 究相同的數據頻率進行測試，本文第五章會展示不同數據頻率構建下的因子表現。 其 中 ? 我們用和 Yu 等 （ 2020 ） 中 相 同 的 三 冪 次 變 差 進 行 計 算 ， 即 ? = −2/ ∑ = | | m |−1 | m … |−+1 | m , ( = 3, = 2/3)；另外在構建大程、小程跳躍 變化因子時選用的閾值也與Yu等（2020）的構建方式相同（ = −0.49√?，這 里N等于一天中股價數據個數，為經驗參數），本報告中選擇為Yu等（2020）測 試中表現較好的參數值 = 4，第五章同樣將對進行參數敏感性分析。本報告中構 建的周度均值因子和月度均值因子分別是用調倉日前5個交易日和前20個交易日的 日度因子通過計算均值得到，相應的調倉周期分別為一周和一個月。

（三）因子分檔表現

按照是否歸一化及調倉頻率進行分類，本小節分別展示周度未歸一化因子、周度歸 一化因子、月度未歸一化因子、月度歸一化因子的分檔表現。

1. 周度未歸一化因子分檔表現

對于周度未歸一化因子，可以發現有6個因子的分檔表現單調性較好，分別是 RJV_week、RJVP_week、SRJV_week、RLJV_week、RLJVP_week、SRLJV_week。

2. 周度歸一化因子分檔表現

對于周度歸一化因子，7個因子的分檔表現單調性較好，分別是RRJVP_week、 RSRJV_week、RRLJV_week、RRLJVP_week、RSRLJV_week、RRJVN_week 、 RRLJVN_week，其中前5個因子對應的未歸一化因子分檔表現單調性也較好。

3. 月度未歸一化因子分檔表現

月度未 歸一 化跳躍 波動 因子的分 檔 單調性普 遍 不明顯 ， 僅 SRJV_month、 SRLJV_month兩因子相對較好。

4. 月度歸一化因子分檔表現

月度歸一化因子的分檔表現相比月度未歸一化因子有所提升，其中RRJVP_month、 RRJVN_month、RSRJV_month、RSRLJV_month因子分組單調性較好。但整體而 言，月度歸一化因子相比周度因子單調性仍有一定程度弱化。

整體來看，周度跳躍波動因子的分檔表現單調性較月度因子更明顯，另外歸一化對 因子分檔表現并沒有顯著的提升效果。下面將詳細展示上述因子的IC和多空表現。

（四）因子績效表現

1. 周度未歸一化因子績效表現

周度未歸一化跳躍波動因子的因子覆蓋度為86.56%，所有因子均表現出負IC的特征， 其中綜合表現最優的因子是SRJV_week：IC均值-8.76%、年化ICIR-8.91、周度IC 勝率近90%、t值-31.33，多空年化錄得45.97%、多空夏普4.4，周均雙邊換手為1.63。 此外，還有3個因子表現亦十分優異，IC與多空業績與SRJV_week接近，分別是 RJVP_week、RLJVP_week和SRLJV_week因子，多空收益均在40%上下。后文我 們將對這4個績優因子進一步展開分析。

2. 周度歸一化因子績效表現

相比未歸一化因子，歸一化后只有RRJVN_week和RRLJVN_week因子IC表現有所 提升，其余因子IC均有一定程度減弱。多空表現方面，只有RRJVN_week、 RRLJVN_week和RRSJVN_week因子多空收益有所提升，其余因子表現減弱； RSRJV_week因子錄得IC均值-7.24%、多空年化30.40%，相對表現最優。周度未歸 一化因子中4個績優因子在歸一化之后多空表現仍然相對較好。

3. 月度未歸一化因子績效表現

和周度未歸一化跳躍波動因子IC表現類似，月度未歸一化因子整體呈現負IC特征， 月均雙邊換手與周平均類似，但調倉次數降低能有效降低全年換手。橫向對比來看， 依然是4個績優周頻因子對應的月度因子表現較好，IC均值為-9%左右，多空年化在 26%-30%之間。

4. 月度歸一化因子績效表現

月度因子歸一化后，各因子中僅RSJ_month和RRJVN_month IC有所提升，其余因 子IC表現均有一定程度降低。多空表現方面，RSRJV_month因子錄得相對較高的年 化收益為24.17%，另有三個因子多空年化超過20%，但整體看較歸一化前業績表現 有所弱化。

總結來看，上述52個跳躍波動類型因子在全市場中因子覆蓋度均在85%以上，周度 未歸一化跳躍波動因子的表現最強。綜合IC與多空表現，我們認為其中RJVP_week、 SRJV_week、RLJVP_week和SRLJV_week這4個因子表現較優，下面我們進一步 考察這4個績優因子的特征與表現。

四、績優因子表現分析

（一）SRJV_week 因子表現分析

在全市場選股中，SRJV_week因子長期表現穩定，2022年因子有效性延續。全歷史 來看，因子IC均值為-8.76%，IC勝率為89.27%，年化ICIR為-8.91，t值為-31.33。 多空組合業績方面，年化收益為45.97%，夏普比率為4.40，Calmar比率為4.80，最 大回撤為9.58%，周均雙邊換手率為1.63。回撤方面，多空組合在2020、2021年的 回撤較此前年份有所提升，但2021年以來回歸正常。因子的周度IC勝率近90%，時 序IC累加曲線無明顯波動。此外，因子IC半衰期約為1周。

（二）RJVP_week 因子表現分析

與SRJV_week因子類似，RJVP_week體現出穩定良好的IC及多空特征。2022年多 空增長進一步提速。全歷史因子IC均值為-8.58%，IC勝率為84.91%，年化ICIR為 -7.29，t值為-9.24。多空組合方面，年化收益為43.85%，夏普比率為3.45，Calmar 比率為3.42，最大回撤為12.84%，周均雙邊換手率為1.31。2020年及2021年中多空 組合的回撤較此前年份有所提升，但2022年以來多空表現進一步提升，年化收益為 58.27%，夏普比率為5.45，最大回撤為4.26%。此外，因子IC半衰期約1周。

（三）RLJVP_week 因子表現分析

RLJVP_week因子IC均值為-8.26%，IC勝率為88.48%，年化ICIR為-8.68，t值為 -30.51。多空組合方面，年化收益為42.16%，夏普比率為4.13，Calmar比率為4.65， 最大回撤為9.07%，雙邊換手率為1.49。與此前年份相比，該因子在2020與2021年 中的回撤有所加大，但2022年以來收益及回撤均明顯改善，2022年以來年化收益為 62.90%，夏普比率為6.93，最大回撤為3.43%。因子IC半衰期同樣約1周。

（四）SRLJV_week 因子表現分析

SRLJV_week因子IC均值為-7.88%，IC勝率為90.00%，年化ICIR為-9.57，t值為 -33.65。多空組合方面，年化收益為37.19%，夏普比率為4.05，Calmar比率為4.35， 最大回撤為8.54%，周均雙邊換手率為1.62。該因子多空組合在2020-2021年間增長 較緩慢，但2022年以來明顯提速，2022年以來多空年化收益為46.88%，夏普比率 為5.71，最大回撤為4.15%。因子半衰期同樣約為1周。

（五）績優因子的風格相關性及行業暴露分布

本節我們將去極值、標準化后的4個績優因子與常見風格因子進行Spearman秩相關 性分析，同時我們也考察因子的行業暴露分布。 相關性分析如下表所示。SRJV_week、SRLJV_week因子的風格相關性較低，相關 系數均在15%以下；而RJVP_week、RLJVP_week因子與殘差波動率因子、BP、 流動性因子存在一定的相關性。 此外，4個因子在各行業上的暴露均無明顯偏離。

五、績優因子參數敏感性分析

跳躍波動類因子作為日內波動率跳躍分量的度量，其蘊含的信息會受到數據頻率的 影響，利用過短周期的數據構造因子可能存在過多噪聲，而使用過長周期的數據構 造因子則可能造成信息稀釋問題。除此之外，在拆分大小跳躍分量時所使用的經驗 閾值參數是基于美股的研究結果，這一參數在 A 股的表現也需要進行測試分析。基 于上述考慮，本節分別對 4 個績優因子進行數據頻率分析，并對 RLJVP_week 和 SRLJV_week 因子同時進行經驗閾值參數的敏感性分析。 對于 SRJV_week、RJVP_week 因子，其多空年化和多空夏普在 3 min、5 min、10 min 數據頻率下表現接近，其中在 5 min 數據頻率下多空年化錄得最高，多空夏普在 10 min 數據頻率下最高。1 min 數據頻率下因子多空表現較差。對于 RLJVP_week 因子，其多空年化在 3 min 數據頻率和閾值參數為 3 的情況下取最大值 43.61%。 RLJVP_week 因子多空夏普則在 10 min 數據頻率和閾值參數為 4 的情況下取最大 值 4.22。RLJVP_week 因子在 1 min 數據頻率下多空表現同樣有一定程度降低。對 于 SRLJV_week 因子，其多空年化和多空夏普在閾值參數為 3 和數據頻率大于 1 min 的情況下表現更好，隨著閾值增大，SRLJV_week 因子的多空表現在一定程度 上有所降低。

六、績優因子的衍生構造與測算

本節我們嘗試對上述績優因子進行衍生構造并測算其因子表現。具體而言，我們對 上述 4 個績優因子分別進行 5 種衍生構造：（1）利用 1 min 早盤時間段（09：00-09： 30）數據計算因子；（2）利用 1 min 盤中時間段（09：30-14：30）數據計算因子； （3）利用 1 min 尾盤時間段（14：30-15：00）數據計算因子；（4）用 5 min 成交 量除以當天總成交量進行收益率加權計算因子；（5）將原始用 5 日日度因子等權平 均值計算周度因子改成利用赫爾移動平均的方式計算，其中赫爾移動平均的窗口選 為 5 天。測算顯示這些衍生構造方式對于因子表現提升效果不明顯，尤其是利用（1） （3）兩種方式計算的因子表現明顯弱化。

七、總結與展望

本篇報告從股價的跳躍—擴散模型相關研究出發，基于學界對跳躍波動因子的分解 構建思路，梳理了跳躍波動的理論發展過程、實證測試了跳躍波動類型因子在A股市 場的表現。結果表明其中4類因子IC和多空表現出色。分析發現這4類因子的業績表 現較為接近，IC和多空表現均較穩定，在2022年表現仍依然不俗。其中全歷史表現 最優的SRJV_week因子，IC均值為-8.76%，年化ICIR為-8.91，多空年化為45.97%， 夏普比率為4.40，最大回撤為9.58%。4類因子的多空回撤在2020及2021年較往年 有所加大，但2022年以來回歸正常。SRJV_week、SRLJV_week因子的風格相關性 樣較低，而RJVP_week、RLJVP_week因子與殘差波動率、BP、流動性存在一定 的相關性。此外，4類因子均無明顯行業偏離。由于短周期的數據構造因子可能存在 過多噪聲，而使用過長周期的數據構造因子則可能造成信息稀釋問題，績優因子在構建時選用不同日內區間頻率會導致表現有所差異，5分鐘頻率下因子表現較好而1 分鐘數據頻率下有所降低。對于RLJVP、SRLJV_week因子構建時涉及的閾值參數 我們也進行了敏感性測試，結果顯示隨著閾值參數中常數項偏離經驗值而升高，因 子表現有所下降。最后，對4類因子進行的5種衍生構造嘗試對業績提升效果不明顯。

通過本文的實證測試，我們看到盡管學界對日內股價跳躍波動的刻畫在A股的實證資 產定價中取得不俗的效果，但由于高頻因子的衰減特性，使得周度調倉的效果出色 而月頻調倉則效果減弱，能否進一步改進得到在月度層面具有更顯著預測能力的因 子是可能被關注的研究目標之一。此外，報告中績優因子在2020年以來整體延續了 較好的多空增長，但波動較此前略有放大，針對這一現象的分析改進或也是進一步 研究的關注點。

編輯：JACK