去年股灾之后，A股尾盘30分钟一度被称作“国家队”的上班时间，这段时间曾多次上演市场大跌尾盘后拉起的奇迹，尤其是以上证50为代表的大股票尾盘拉升明显。因此尾盘30分钟也是神秘的30分钟。
除了“国家队”的因素外，或许这30分钟内股票价格走势本身就蕴含着重要信息：
一般而言，开盘 30 分钟及尾盘 30 分钟的股价波动率及成交量往往高于日内平均水平，这一时间段是大量机构投资者、知情交易者的交易时间，尤其是在尾盘 30 分钟，是市场信息充分反映、股票筹码充分换手的重要阶段。
国泰君安研究报告发现，无论是从收益率、波动率还是流动性冲击效用 3 个角度检验，尾盘 30 分钟的预测显著性均明显强于其余时间段，呈现收益率反转、低波动与低流动性冲击的个股在次日将有更好的表现。
报告认为，在尾盘30分钟时间段内，投资者交易所产生的价格、成交量等信息更能充分反映投资者对未来股价走势的预期。
具体来看逻辑，via国泰君安金融工程团队：
因子有效性检验
我们首先根据个股日内 1 分钟数据构建收益率反转因子，具体构建方式如下所示：
Daily Reverse = 0.5*Reverse + 0.5*Bias
http://www.moremorewin.net/imgserver/imgs/2016/12/26/e915896e2470b5cadc068475a52144de.foil
下面，我们将构建日内 8 个 30 分钟内，对应的 Daily Reverse 因子，并检验其与次日个股收益率截面的统计关系，具体结果如下所示：
http://www.moremorewin.net/imgserver/imgs/2016/12/26/4c4b829922071f99af652046defdd495.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/97cc3163ba3aa14a04535da660b6ddd6.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/83ef1930b2498f27e4356be95e636da7.foil
可以看到，尾盘最后 30 分钟的价格走势，蕴含了显著的反转信息，即尾盘拉升的股票次日大概率获取超额负收益，而尾盘下跌的股票次日则有大概率获取超额正收益，并且这一规律除了在股灾等市场极端行情外，无论是在牛市、熊市或是震荡市都较为稳定。
从因子绩效的显著性来看，尾盘最后 30 分钟的因子绩效，其预测显著性高于其余时间段，并且因子年化收益率超过-20%，这在月频率因子检验中是极为罕见的。由此可见，短期价格走势所蕴含的信息，尤其是尾盘 30 分钟，是更为充分的，这也符合我们定义阿尔法因子四维属性的特性。
有趣的是，我们观察到，开盘 30 分钟的走势也具有极为显著的预测性，并且其呈现了显著的动量特点，尤其是在趋势较强的市场环境中。也就是说，个股开盘 30 分钟的走势与次日走势大概率正相关，而收盘 30 分钟的走势则与次日走势大概率负相关。这与我们上述提到了，在开盘 30分钟及尾盘 30 分钟交易时间段内，成交最为活跃、信息反映最为有效、筹码转换最为充分的直观经验是相一致的。
接下来，我们同样根据日内 1 分钟数据构建波动率因子，具体构建方式如下所示：
Daily Volatility = 0.5*Dastd+0.5*Residual Volatility
http://www.moremorewin.net/imgserver/imgs/2016/12/26/ca9e72034ff3f69091c7526082a50cd4.foil
同样，我们将构建日内 8 个 30 分钟内，对应的 Daily Volatility 因子，并检验其与次日个股收益率截面的统计关系，具体结果如下所示：
http://www.moremorewin.net/imgserver/imgs/2016/12/26/bc016ca5d255217d9289e6007354d22f.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/226f8c5b1a0bb066eaa1449e3c89883a.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/ec72725d608aba5cb71a4697599f12c1.foil
与收益率因子 Daily Reverse 一样，波动率因子 Daily Volatility 同样是在最后 30 分钟时间段内，预测显著性最强。并且，Daily Revers 因子年化因子收益率高达-26.23%，信息比率为-2.28。这表明，尾盘 30 分钟内波动率越小的个股，在次日则将大概率跑赢基准，反之亦然。这与个股在月频率的波动率属性同样也是一致的，只不过在准高频的维度下，显著性更强。
最后，我们同样根据日内 1 分钟价格与成交金额数据构建流动性冲击因子，具体构建方式如下所示：
Daily MILLIQ = 1.0*Daily Maxilliq
http://www.moremorewin.net/imgserver/imgs/2016/12/26/8961d81ccb4eed8b84563da5f246b45c.foil
同样，我们将构建日内 8 个 30 分钟内，对应的 Daily MILLIQ 因子，并检验其与次日个股收益率截面的统计关系，具体结果如下所示：
http://www.moremorewin.net/imgserver/imgs/2016/12/26/8b062de464cb9943317855e43d010946.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/84630b09c22f04bec821802ca6bed4e0.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/3f8b044200a4f0f4ec95b83b6a9e5e28.foil
流动性冲击因子同样也是在最后 30 分钟内预测效果最为显著，即流动性冲击越小的个股，次日将大概率跑赢基准。同时 Daily MILLIQ 因子收益率的信息比率高达 4.14，体现了极强的稳定性。
可以发现，无论是从收益率、波动率还是流动性冲击效用 3 个角度检验，尾盘 30 分钟的预测显著性均明显强于其余时间段，呈现收益率反转、低波动与低流动性冲击的个股在次日将有更好的表现。
通过上述检验，我们认为在尾盘 30 分时间段内，投资者交易所产生的价格、成交量等信息更能充分反映投资者对未来股价走势的预期。
因子组合构建
我们下面分别构建基于尾盘 30 分钟时间段各因子的最小波动纯因子组合（Minimum Volatility Pure Factor Portfolio, MVPFP），以统计因子内在的收益风险属性，时间自 2013 年至 2016 年，组合构建方式具体为（MVPFP 构建详情参考专题报告《如何将阿尔法因子转化为超额收益》）：
http://www.moremorewin.net/imgserver/imgs/2016/12/26/a7108d7ea5f45ab3b6c8af40df373112.foil
其中，方程的权重解集合为
http://www.moremorewin.net/imgserver/imgs/2016/12/26/21a0384f357ff8e91dc55ee5868edcc2.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/75de97c1abc00ab7668bf0c285cb7243.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/9c0403ec88bea9f2249e07b1067e025d.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/cc02c1806436ef8ac1b329291bcc6037.foil
绩效统计的结果表明，通过适当的组合构建，3 因子的内在逻辑与收益风险特征均可实现，并且组合收益的稳定性较强。从单因子组合的收益 角度而言，Daily Reverse 组合和 Daily Volatility 组合在不考虑成本的情况下，年化收益率均在 30%左右，这在月频率的因子构建中是几乎不可能的。这表明，在准高频领域，因子模型蕴含的超额收益可能比我们想象的更高。
超额收益预测
最后，我们利用上述计算的收益、波动、流动性冲击 3 类因子，对次日的超额收益进行预测统计，即计算预测超额收益截面与实际超额收益截面的相关系数 IC。其中，超额收益阿尔法的估计方式我们采用经典的ALPHA = IC*SCORE*VOLATILITY 的方式，即对于第 t 天的 Daily Reverse、Daily Volatility、Daily MILLIQ 因子，其所估计得第 t+1 日的超额收益率截面为：
http://www.moremorewin.net/imgserver/imgs/2016/12/26/6a969418370cbd49b171dd4d508f6eb9.foil
其中
http://www.moremorewin.net/imgserver/imgs/2016/12/26/1061d3b6328a90ba316d2d7fc6e1acce.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/2b453605b67835bb8b43c2b75a46e9dd.foil
分别为 3 个因子历史 250 日 IC 均值（我们暂不考虑 IC 的权重问题），而
http://www.moremorewin.net/imgserver/imgs/2016/12/26/7f7aa207a25cc48ed91a3e0a1771b9aa.foil
为风险模型估计得到的第 t+1 日的个股残差波动率截面。
我们选择分布更为均匀的中证 500 指数作为比较基准，计算阿尔法预测截面与个股实现超额中证 500 收益率截面的组合信息系数，即
http://www.moremorewin.net/imgserver/imgs/2016/12/26/aafd333b371ec12543cbd171d5823c28.foil
进而，我们对
http://www.moremorewin.net/imgserver/imgs/2016/12/26/6206881b9aa16b047727b05d06a002bc.foil
序列进行显著性统计，以验证超额收益的预测是否存在统计意义上的显著性，具体结果如下：
http://www.moremorewin.net/imgserver/imgs/2016/12/26/4bfb1547c1e3f115436427aceb7d9fe1.foil
http://www.moremorewin.net/imgserver/imgs/2016/12/26/39c50f4f1b402f40caad758242168865.foil
对于
http://www.moremorewin.net/imgserver/imgs/2016/12/26/6206881b9aa16b047727b05d06a002bc.foil
序列的显著性检验可以发现，除了在股灾等市场极端行情外，其余时间仅用我们定义的收益、波动、流动性冲击 3 因子预测次日个股的超额收益， IC 序列的 T 检验显著高达 6.21，这表明利用尾盘 30分钟的股价信息对超额收益的预测存在极强的统计显著性。
评论 (0)