详情描述

在国内A股市场，传统的多因子量化选股模型得到了广泛的应用，在实际表现中，传统的多因子模型在过去几年中也表现出较为稳定的超额收益率。但随着传统多因子模型应用越来越广泛，历史长期有效的因子逐渐失效，对新因子的挖掘提出了迫切的需求。

传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度，而这部分数据维度的增量价值的挖掘已逐渐饱和，需从其他新的数据维度中挖掘新的因子指标，本篇报告从个股日内高频数据出发尝试挖掘出新的因子指标。

基于个股日内高频数据，构建了已实现波动（Realized Volatility）RVol，已实现偏度（Realized Skewness）RSkew、已实现峰度（Realized Kurtosis）RKurt因子指标并基于此构建回归模型，以每一期回归模型的残差标准差作为因子指标，考察因子指标在回测区间内对个股收益率的区别度。

在实证区间内，本篇专题报告对因子指标的有效性在不同样本池里进行了详细测算。实证结果表明，因子指标在全市场以及中证500指数成分股中对个股收益率区分度明显，且分档收益单调性也明显。

因子指标在全市场范围内选股，从2007年至今，IC均值为-0.036，负IC占比为63.5%， 多头组合在回测期内表现优异，年化收益率为32.39%，信息比率为0.91，多头组合相对中证800指数年化超额收益率为24.52%，信息比率为1.89。

因子指标在在中证500指数成分股中选股，从2007年至今，IC均值为-0.048，负IC占比为66.2%，多 头组合年化收益率为30.32%，多头组合相对空头组合年化超额收益率为30.73%，最大回撤为10.14%，信息比率为2.76。

【更多详情，请下载：高频数据因子研究系列二：基于日内高频数据的短周期选股因子研究】