【广发金融工程】基于股价跳跃模型的因子研究:高频数据因子研究系列九
（以下内容从广发证券《【广发金融工程】基于股价跳跃模型的因子研究:高频数据因子研究系列九》研报附件原文摘录）
摘 要 研究内容 本篇报告从股价的跳跃—扩散模型相关研究出发，基于学界对跳跃波动因子的分解构建思路，在A股上综合构建了从大小和方向上拆分的13种跳跃波动类型因子及其对应归一化因子，并在日度指标基础上分别构建了周度和月度因子。报告从IC和多空表现两个方面对这些因子进行了实证测试。最终筛选出4个绩优因子进行重点展示，并分析其IC衰减、风格相关性、行业暴露分布等特征，最后本报告对绩优因子的参数敏感性和衍生构造表现进行了进一步探析。 因子表现及风格行业偏离 4类绩优因子的IC及多空表现都较为稳定且在2022年保持了多空稳健增长。全历史（2010年以来）来看，4类因子中表现最好的SRJV_week因子行业市值中性后，全市场十分组选股IC均值为-8.76%，年化ICIR为-8.91，扣费后（双边千三）多空年化为45.97%，多空夏普为4.40，多空最大回撤为9.58%，该因子与主要风格因子相关性较低。另外三个绩优因子中SRLJV_week因子的风格相关性较低，而RJVP_week因子和RLJVP_week因子与残差波动率因子、BP、流动性因子存在一定相关性。行业暴露方面，这4类因子的行业偏离均不明显。 风险提示 1. 本报告中所述因子测试结果是用量化方法通过历史数据统计、建模和测算完成，所得出的结论与规律在政策、市场环境发生变化时可能存在失效的风险；2. 具体看历史业绩中四类绩优因子的多空净值在2020、2021年较往年波动有所放大而2022年以来回归正常，投资过程中应关注市场环境变化导致因子波动放大的风险。 正 文 一、背景介绍 波动率研究在资产定价及风险管理中具有重要作用，而如何更准确地估计波动率以及如何从中提取Alpha信息一直是学界的热门话题。早在上世纪80年代，Merton（1980）在论文《On Estimating the Expected Return on the Market: An Exploratory Investigation》中就提出高频股价收益率可以用于准确地估计波动率。然而这一推论是建立在资产价格的连续扩散模型之上的，这一假设在实证研究中往往不能得到满足。虽然近年来利用高频股价数据开展的研究越来越多，但是直接利用高频数据进行波动率建模仍然十分困难。学术界利用高频数据估计波动率的一个重要研究成果是Andersen等（2001）在《The Distribution of Realized Exchange Rate Volatility》中提出的已实现波动率，这一简单的估计方式在预测波动率方面已被反复验证要优于许多经典连续时间模型的估计结果。然而较为可惜的是，随后大量的实证研究表明已实现波动率对资产收益率的预测效果有限。 另一方面，越来越多的研究表明资产价格不能用简单的连续时间模型来刻画，而应该将资产价格中的不连续变化（即跳跃）考虑在内。随着Barndorff和Shephard（2004）在《Power and Bipower Variation with Stochastic Volatility and Jumps》中利用股价的跳跃—扩散模型从理论上证明可以将资产价格波动率中的跳跃部分分离出来，这使得研究股价波动率中的跳跃部分对资产收益率的预测成为可能。在此基础上，随后的许多学术研究尝试从不同方面对股价波动率的跳跃部分进行分解，以寻找其中更显著的资产定价信息。 我们看到目前业界在A股上利用股价跳跃模型进行因子实证的研究还较少，因此本报告试图梳理相关的学术研究成果，并构建一系列衍生日内跳跃波动因子进行A股实证研究。 二、研究进展 一般的，假设股票价格遵循几何布朗运动且在考虑股价变化存在跳跃的情况下，对数股票价格满足如下跳跃—扩散模型： 上式中等式右边第二至第四项分别表示股价变化中的漂移过程、扩散过程和跳跃过程，W_s表示标准布朗运动。Andersen等（2001）以此模型为基础推导出利用高频数据计算的已实现方差（也称作已实现波动率） （这里r_ti表示第t天第i个高频区间内股价的对数收益率）收敛于p_t的二次变分 ，而之前的研究已经证明了QV_t度量了股价收益率的波动率，这里QV_t的表达式中，第一项 表示积分波动率，刻画了股价连续分量的波动水平，而第二项 则表示跳跃波动，刻画的是股价跳跃部分的波动水平。随后的实证研究表明已实现波动率对股票收益率的预测能力有限，而其跳跃部分的波动或蕴含更高的Alpha信息，下面具体论述相关研究。 为了从实证角度分解出已实现波动率的跳跃分量，Barndorff和Shephard（2004）通过理论推导证明上述积分波动率IV_t可以用多幂次变差来进行有效地估计： 其中 ，km=2。据此我们可以构建出已实现波动率的跳跃分量。考虑到 因此可以用已实现跳跃波动 来作为QJ_t的估计量。另外，Barndorff等（2010）在《Measuring Downside Risk-Realised Semivariance》中首次将已实现波动率分解为上行分量，即上行波动率 和下行分量，即下行波动率 ，并且证明上行波动率和下行波动率分别依概率收敛于上行跳跃波动和下行跳跃波动加上积分波动率的一半，即： 他们认为上行波动率和下行波动率对于股价预测具有不同的作用，这一猜测在后来的实证研究中得到了证实。在此基础之上，Bollerslev等（2020）在论文《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》中构建了将上行波动率减去下行波动率的因子： 从理论推导结果来看，这一因子反映了跳跃波动的不对称性（即正向跳跃减负向跳跃）。除此之外他们还构建了这一因子的归一化因子： 并且从实证角度证实这一归一化因子对收益率的预测作用更显著。 进一步地，A？t-Sahalia和Jacod（2012）在《Analyzing the spectrum of asset returns: Jump and volatility components in high frequency data》中给出了将已实现波动率的跳跃分量分解为大程跳跃波动和小程跳跃波动的方法，并且推测不同的分量对于收益率预测具有不同的作用。这一推测后来被Duong和Swanson（2015）在《Empirical evidence on the importance of aggregation, asymmetry, and jumps for volatility prediction》中的实证结果所证实。其中他们构建的大程跳跃波动因子为： 小程跳跃波动因子为： （这里γ为阈值参数）。 综合上述研究，Yu等（2020）在《New Evidence of the Marginal Predictive Content of Small and Large Jumps in the Cross-Section》中分别从大小和方向（上行、下行）这两个维度构建跳跃波动的分量因子进行实证研究，他们发现不同因子对股价收益率预测具有不同的作用。具体的，他们构建了以下9个因子： （1）上行跳跃波动因子： （2）下行跳跃波动因子： （3）上下行跳跃波动不对称因子： （4）大程上行跳跃波动因子： （5）大程下行跳跃波动因子： （6）大程上下行跳跃波动不对称因子： （7）小程上行跳跃波动因子： （8）小程下行跳跃波动因子： （9）小程上下行跳跃波动不对称因子： 本报告综合Duong和Swanson（2015）、Bollerslev等（2020）、Yu等（2020）对于跳跃波动因子的构建思路，对他们所构建的跳跃波动因子及其对应的用已实现波动率进行归一化的因子构建了26种日度因子。并利用日度因子值分别构建周度和月度均值因子展开实证分析。下图展示了跳跃波动类型因子构建框架： 三、实证分析 3.1 数据说明 选股范围：全A市场 股票预处理：剔除ST/ST*、涨跌停板、上市未满60个交易日股票 因子预处理：去极值、标准化、行业市值中性化 回测区间：2010.01.01 - 2022.07.29 分档方式：根据当期股票的因子值，从小到大分为十档 调仓周期：每周/每月最后一个交易日以收盘价调仓 交易费用：双边千三 3.2 因子构建说明 本节利用5分钟数据频率构建已实现跳跃波动类型因子，选择5分钟数据频率是因为研究表明数据频率太低与太高都会导致估计不准确，因此这里选择与大部分实证研究相同的数据频率进行测试，本文第五章（详见研报）会展示不同数据频率构建下的因子表现。其中多幂次变差我们用和Yu等（2020）中相同的三幂次变差进行计算，即 （k=3，m=2/3）；另外在构建大程、小程跳跃波动因子时选用的阈值γ也与Yu等（2020）的构建方式相同，即 这里N等于一天中股价数据个数，α为经验参数，本报告中α选择为Yu等（2020）测试结果中表现较好的参数值α=4，第五章（详见研报）同样将对α进行参数敏感性分析。本报告中构建的周度均值因子和月度均值因子分别是用调仓日前5个交易日和前20个交易日的日度因子通过计算均值得到，相应的调仓周期分别为一周和一个月。因子的具体描述如下： 3.3 因子分档表现 本小节仅以周度未归一化因子为例进行展示，详细测试结果请参见研报。 3.3.1 周度未归一化因子分档表现 对于周度未归一化因子，可以发现有6个因子的分档表现单调性较好，分别是RJV_week、RJVP_week、SRJV_week、RLJV_week、RLJVP_week、SRLJV_week。 3.4 因子绩效表现 3.4.1 周度未归一化因子绩效表现 周度未归一化跳跃波动因子的因子覆盖度为86.56%，所有因子均表现出负IC的特征， 其中综合表现最优的因子是SRJV_week：IC均值-8.76%、年化ICIR-8.91、周度IC胜率近90%、t值-31.33，多空年化录得45.97%、多空夏普4.4，周均双边换手为1.63。此外，还有3个因子表现亦十分优异，IC与多空业绩与SRJV_week接近，分别是RJVP_week、RLJVP_week和SRLJV_week因子，多空收益均在40%上下。 总结来看，跳跃波动类型因子在全市场中因子覆盖度均在85%以上，周度未归一化跳跃波动因子的表现最强。综合IC与多空表现，我们认为其中RJVP_week、SRJV_week、RLJVP_week和SRLJV_week这4个因子表现较优，下面进一步考察这4个绩优因子的特征与表现。 四、绩优因子表现分析 4.1 SRJV_week因子表现分析 在全市场选股中，SRJV_week因子长期表现稳定，2022年因子有效性延续。全历史来看，因子IC均值为-8.76%，IC胜率为89.27%，年化ICIR为-8.91，t值为-31.33。多空组合业绩方面，年化收益为45.97%，夏普比率为4.40，Calmar比率为4.80，最大回撤为9.58%，周均双边换手率为1.63。回撤方面，多空组合在2020、2021年的回撤较此前年份有所提升，但2021年以来回归正常。因子的周度IC胜率近90%，时序IC累加曲线无明显波动。此外，因子IC半衰期约为1周。 4.2 RJVP_week因子表现分析 与SRJV_week因子类似，RJVP_week体现出稳定良好的IC及多空特征。2022年多空增长进一步提速。全历史因子IC均值为-8.58%，IC胜率为84.91%，年化ICIR为-7.29，t值为-9.24。多空组合方面，年化收益为43.85%，夏普比率为3.45，Calmar比率为3.42，最大回撤为12.84%，周均双边换手率为1.31。2020年及2021年中多空组合的回撤较此前年份有所提升，但2022年以来多空表现进一步提升，年化收益为58.27%，夏普比率为5.45，最大回撤为4.26%。此外，因子IC半衰期约1周。 4.3 RLJVP_week因子表现分析 RLJVP_week因子IC均值为-8.26%，IC胜率为88.48%，年化ICIR为-8.68，t值为-30.51。多空组合方面，年化收益为42.16%，夏普比率为4.13，Calmar比率为4.65，最大回撤为9.07%，双边换手率为1.49。与此前年份相比，该因子在2020与2021年中的回撤有所加大，但2022年以来收益及回撤均明显改善，2022年以来年化收益为62.90%，夏普比率为6.93，最大回撤为3.43%。因子IC半衰期同样约1周。 4.4 SRLJV_week因子表现分析 SRLJV_week因子IC均值为-7.88%，IC胜率为90.00%，年化ICIR为-9.57，t值为-33.65。多空组合方面，年化收益为37.19%，夏普比率为4.05，Calmar比率为4.35，最大回撤为8.54%，周均双边换手率为1.62。该因子多空组合在2020-2021年间增长较缓慢，但2022年以来明显提速，2022年以来多空年化收益为46.88%，夏普比率为5.71，最大回撤为4.15%。因子半衰期同样约为1周。 4.5 风格相关性及行业暴露分布 本节我们将去极值、标准化后的4个绩优因子与常见风格因子进行Spearman秩相关性分析，同时我们也考察因子的行业暴露分布。 相关性分析如下表所示。SRJV_week、SRLJV_week因子的风格相关性较低，相关系数均在15%以下；而RJVP_week、RLJVP_week因子与残差波动率因子、BP、流动性因子存在一定的相关性。 此外，4个因子在各行业上的暴露均无明显偏离。 五、风险提示 本报告中所述因子测试结果是用量化方法通过历史数据统计、建模和测算完成，所得出的结论与规律在政策、市场环境发生变化时可能存在失效的风险；具体看历史业绩中四类绩优因子的多空净值在2020、2021年较往年波动有所放大而2022以来回归正常，投资过程中应关注市场环境变化导致因子波动放大的风险。 详细研究内容请参见广发金工定期报告 《基于股价跳跃模型的因子研究：高频数据因子研究系列九》 法律声明： 本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。 完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。 在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。 本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。 本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。
摘 要 研究内容 本篇报告从股价的跳跃—扩散模型相关研究出发，基于学界对跳跃波动因子的分解构建思路，在A股上综合构建了从大小和方向上拆分的13种跳跃波动类型因子及其对应归一化因子，并在日度指标基础上分别构建了周度和月度因子。报告从IC和多空表现两个方面对这些因子进行了实证测试。最终筛选出4个绩优因子进行重点展示，并分析其IC衰减、风格相关性、行业暴露分布等特征，最后本报告对绩优因子的参数敏感性和衍生构造表现进行了进一步探析。 因子表现及风格行业偏离 4类绩优因子的IC及多空表现都较为稳定且在2022年保持了多空稳健增长。全历史（2010年以来）来看，4类因子中表现最好的SRJV_week因子行业市值中性后，全市场十分组选股IC均值为-8.76%，年化ICIR为-8.91，扣费后（双边千三）多空年化为45.97%，多空夏普为4.40，多空最大回撤为9.58%，该因子与主要风格因子相关性较低。另外三个绩优因子中SRLJV_week因子的风格相关性较低，而RJVP_week因子和RLJVP_week因子与残差波动率因子、BP、流动性因子存在一定相关性。行业暴露方面，这4类因子的行业偏离均不明显。 风险提示 1. 本报告中所述因子测试结果是用量化方法通过历史数据统计、建模和测算完成，所得出的结论与规律在政策、市场环境发生变化时可能存在失效的风险；2. 具体看历史业绩中四类绩优因子的多空净值在2020、2021年较往年波动有所放大而2022年以来回归正常，投资过程中应关注市场环境变化导致因子波动放大的风险。 正 文 一、背景介绍 波动率研究在资产定价及风险管理中具有重要作用，而如何更准确地估计波动率以及如何从中提取Alpha信息一直是学界的热门话题。早在上世纪80年代，Merton（1980）在论文《On Estimating the Expected Return on the Market: An Exploratory Investigation》中就提出高频股价收益率可以用于准确地估计波动率。然而这一推论是建立在资产价格的连续扩散模型之上的，这一假设在实证研究中往往不能得到满足。虽然近年来利用高频股价数据开展的研究越来越多，但是直接利用高频数据进行波动率建模仍然十分困难。学术界利用高频数据估计波动率的一个重要研究成果是Andersen等（2001）在《The Distribution of Realized Exchange Rate Volatility》中提出的已实现波动率，这一简单的估计方式在预测波动率方面已被反复验证要优于许多经典连续时间模型的估计结果。然而较为可惜的是，随后大量的实证研究表明已实现波动率对资产收益率的预测效果有限。 另一方面，越来越多的研究表明资产价格不能用简单的连续时间模型来刻画，而应该将资产价格中的不连续变化（即跳跃）考虑在内。随着Barndorff和Shephard（2004）在《Power and Bipower Variation with Stochastic Volatility and Jumps》中利用股价的跳跃—扩散模型从理论上证明可以将资产价格波动率中的跳跃部分分离出来，这使得研究股价波动率中的跳跃部分对资产收益率的预测成为可能。在此基础上，随后的许多学术研究尝试从不同方面对股价波动率的跳跃部分进行分解，以寻找其中更显著的资产定价信息。 我们看到目前业界在A股上利用股价跳跃模型进行因子实证的研究还较少，因此本报告试图梳理相关的学术研究成果，并构建一系列衍生日内跳跃波动因子进行A股实证研究。 二、研究进展 一般的，假设股票价格遵循几何布朗运动且在考虑股价变化存在跳跃的情况下，对数股票价格满足如下跳跃—扩散模型： 上式中等式右边第二至第四项分别表示股价变化中的漂移过程、扩散过程和跳跃过程，W_s表示标准布朗运动。Andersen等（2001）以此模型为基础推导出利用高频数据计算的已实现方差（也称作已实现波动率） （这里r_ti表示第t天第i个高频区间内股价的对数收益率）收敛于p_t的二次变分 ，而之前的研究已经证明了QV_t度量了股价收益率的波动率，这里QV_t的表达式中，第一项 表示积分波动率，刻画了股价连续分量的波动水平，而第二项 则表示跳跃波动，刻画的是股价跳跃部分的波动水平。随后的实证研究表明已实现波动率对股票收益率的预测能力有限，而其跳跃部分的波动或蕴含更高的Alpha信息，下面具体论述相关研究。 为了从实证角度分解出已实现波动率的跳跃分量，Barndorff和Shephard（2004）通过理论推导证明上述积分波动率IV_t可以用多幂次变差来进行有效地估计： 其中 ，km=2。据此我们可以构建出已实现波动率的跳跃分量。考虑到 因此可以用已实现跳跃波动 来作为QJ_t的估计量。另外，Barndorff等（2010）在《Measuring Downside Risk-Realised Semivariance》中首次将已实现波动率分解为上行分量，即上行波动率 和下行分量，即下行波动率 ，并且证明上行波动率和下行波动率分别依概率收敛于上行跳跃波动和下行跳跃波动加上积分波动率的一半，即： 他们认为上行波动率和下行波动率对于股价预测具有不同的作用，这一猜测在后来的实证研究中得到了证实。在此基础之上，Bollerslev等（2020）在论文《Good Volatility, Bad Volatility, and the Cross Section of Stock Returns》中构建了将上行波动率减去下行波动率的因子： 从理论推导结果来看，这一因子反映了跳跃波动的不对称性（即正向跳跃减负向跳跃）。除此之外他们还构建了这一因子的归一化因子： 并且从实证角度证实这一归一化因子对收益率的预测作用更显著。 进一步地，A？t-Sahalia和Jacod（2012）在《Analyzing the spectrum of asset returns: Jump and volatility components in high frequency data》中给出了将已实现波动率的跳跃分量分解为大程跳跃波动和小程跳跃波动的方法，并且推测不同的分量对于收益率预测具有不同的作用。这一推测后来被Duong和Swanson（2015）在《Empirical evidence on the importance of aggregation, asymmetry, and jumps for volatility prediction》中的实证结果所证实。其中他们构建的大程跳跃波动因子为： 小程跳跃波动因子为： （这里γ为阈值参数）。 综合上述研究，Yu等（2020）在《New Evidence of the Marginal Predictive Content of Small and Large Jumps in the Cross-Section》中分别从大小和方向（上行、下行）这两个维度构建跳跃波动的分量因子进行实证研究，他们发现不同因子对股价收益率预测具有不同的作用。具体的，他们构建了以下9个因子： （1）上行跳跃波动因子： （2）下行跳跃波动因子： （3）上下行跳跃波动不对称因子： （4）大程上行跳跃波动因子： （5）大程下行跳跃波动因子： （6）大程上下行跳跃波动不对称因子： （7）小程上行跳跃波动因子： （8）小程下行跳跃波动因子： （9）小程上下行跳跃波动不对称因子： 本报告综合Duong和Swanson（2015）、Bollerslev等（2020）、Yu等（2020）对于跳跃波动因子的构建思路，对他们所构建的跳跃波动因子及其对应的用已实现波动率进行归一化的因子构建了26种日度因子。并利用日度因子值分别构建周度和月度均值因子展开实证分析。下图展示了跳跃波动类型因子构建框架： 三、实证分析 3.1 数据说明 选股范围：全A市场 股票预处理：剔除ST/ST*、涨跌停板、上市未满60个交易日股票 因子预处理：去极值、标准化、行业市值中性化 回测区间：2010.01.01 - 2022.07.29 分档方式：根据当期股票的因子值，从小到大分为十档 调仓周期：每周/每月最后一个交易日以收盘价调仓 交易费用：双边千三 3.2 因子构建说明 本节利用5分钟数据频率构建已实现跳跃波动类型因子，选择5分钟数据频率是因为研究表明数据频率太低与太高都会导致估计不准确，因此这里选择与大部分实证研究相同的数据频率进行测试，本文第五章（详见研报）会展示不同数据频率构建下的因子表现。其中多幂次变差我们用和Yu等（2020）中相同的三幂次变差进行计算，即 （k=3，m=2/3）；另外在构建大程、小程跳跃波动因子时选用的阈值γ也与Yu等（2020）的构建方式相同，即 这里N等于一天中股价数据个数，α为经验参数，本报告中α选择为Yu等（2020）测试结果中表现较好的参数值α=4，第五章（详见研报）同样将对α进行参数敏感性分析。本报告中构建的周度均值因子和月度均值因子分别是用调仓日前5个交易日和前20个交易日的日度因子通过计算均值得到，相应的调仓周期分别为一周和一个月。因子的具体描述如下： 3.3 因子分档表现 本小节仅以周度未归一化因子为例进行展示，详细测试结果请参见研报。 3.3.1 周度未归一化因子分档表现 对于周度未归一化因子，可以发现有6个因子的分档表现单调性较好，分别是RJV_week、RJVP_week、SRJV_week、RLJV_week、RLJVP_week、SRLJV_week。 3.4 因子绩效表现 3.4.1 周度未归一化因子绩效表现 周度未归一化跳跃波动因子的因子覆盖度为86.56%，所有因子均表现出负IC的特征， 其中综合表现最优的因子是SRJV_week：IC均值-8.76%、年化ICIR-8.91、周度IC胜率近90%、t值-31.33，多空年化录得45.97%、多空夏普4.4，周均双边换手为1.63。此外，还有3个因子表现亦十分优异，IC与多空业绩与SRJV_week接近，分别是RJVP_week、RLJVP_week和SRLJV_week因子，多空收益均在40%上下。 总结来看，跳跃波动类型因子在全市场中因子覆盖度均在85%以上，周度未归一化跳跃波动因子的表现最强。综合IC与多空表现，我们认为其中RJVP_week、SRJV_week、RLJVP_week和SRLJV_week这4个因子表现较优，下面进一步考察这4个绩优因子的特征与表现。 四、绩优因子表现分析 4.1 SRJV_week因子表现分析 在全市场选股中，SRJV_week因子长期表现稳定，2022年因子有效性延续。全历史来看，因子IC均值为-8.76%，IC胜率为89.27%，年化ICIR为-8.91，t值为-31.33。多空组合业绩方面，年化收益为45.97%，夏普比率为4.40，Calmar比率为4.80，最大回撤为9.58%，周均双边换手率为1.63。回撤方面，多空组合在2020、2021年的回撤较此前年份有所提升，但2021年以来回归正常。因子的周度IC胜率近90%，时序IC累加曲线无明显波动。此外，因子IC半衰期约为1周。 4.2 RJVP_week因子表现分析 与SRJV_week因子类似，RJVP_week体现出稳定良好的IC及多空特征。2022年多空增长进一步提速。全历史因子IC均值为-8.58%，IC胜率为84.91%，年化ICIR为-7.29，t值为-9.24。多空组合方面，年化收益为43.85%，夏普比率为3.45，Calmar比率为3.42，最大回撤为12.84%，周均双边换手率为1.31。2020年及2021年中多空组合的回撤较此前年份有所提升，但2022年以来多空表现进一步提升，年化收益为58.27%，夏普比率为5.45，最大回撤为4.26%。此外，因子IC半衰期约1周。 4.3 RLJVP_week因子表现分析 RLJVP_week因子IC均值为-8.26%，IC胜率为88.48%，年化ICIR为-8.68，t值为-30.51。多空组合方面，年化收益为42.16%，夏普比率为4.13，Calmar比率为4.65，最大回撤为9.07%，双边换手率为1.49。与此前年份相比，该因子在2020与2021年中的回撤有所加大，但2022年以来收益及回撤均明显改善，2022年以来年化收益为62.90%，夏普比率为6.93，最大回撤为3.43%。因子IC半衰期同样约1周。 4.4 SRLJV_week因子表现分析 SRLJV_week因子IC均值为-7.88%，IC胜率为90.00%，年化ICIR为-9.57，t值为-33.65。多空组合方面，年化收益为37.19%，夏普比率为4.05，Calmar比率为4.35，最大回撤为8.54%，周均双边换手率为1.62。该因子多空组合在2020-2021年间增长较缓慢，但2022年以来明显提速，2022年以来多空年化收益为46.88%，夏普比率为5.71，最大回撤为4.15%。因子半衰期同样约为1周。 4.5 风格相关性及行业暴露分布 本节我们将去极值、标准化后的4个绩优因子与常见风格因子进行Spearman秩相关性分析，同时我们也考察因子的行业暴露分布。 相关性分析如下表所示。SRJV_week、SRLJV_week因子的风格相关性较低，相关系数均在15%以下；而RJVP_week、RLJVP_week因子与残差波动率因子、BP、流动性因子存在一定的相关性。 此外，4个因子在各行业上的暴露均无明显偏离。 五、风险提示 本报告中所述因子测试结果是用量化方法通过历史数据统计、建模和测算完成，所得出的结论与规律在政策、市场环境发生变化时可能存在失效的风险；具体看历史业绩中四类绩优因子的多空净值在2020、2021年较往年波动有所放大而2022以来回归正常，投资过程中应关注市场环境变化导致因子波动放大的风险。 详细研究内容请参见广发金工定期报告 《基于股价跳跃模型的因子研究：高频数据因子研究系列九》 法律声明： 本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。 完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。 在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。 本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。 本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。
大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）
郑重声明：悟空智库网发布此信息的目的在于传播更多信息，与本站立场无关，不构成任何投资建议。
