* 本报告来自网络，如有侵权请联系删除
基础因子研究（十四）：高频因子（九），高频波动中的时间序列信息
收藏
分享
纠错
价格免费
数据简介
传统的波动因子以日度收益率数据为基础构建，本文从数据频率和数据类型两方面对其进行了拓展。其中，表现最好的1min频率下的高频成交量波动因子在全市场中取得了年化20.84%的多空收益和6.27%的超额收益，多空夏普比和信息比分别达到2.87和1.62，且在近两年没有出现明显回撤。
详情描述
基础因子研究（十四）：高频因子（九），高频波动中的时间序列信息 传统的波动因子以日度收益率数据为基础构建，本文从数据频率和数据类型两方面对其进行了拓展。其中，表现最好的1min 频率下的高频成交量波动因子在全市场中取得了年化20.84%的多空收益和6.27%的超额收益，多空夏普比和信息比分别达到2.87和1.62，且在近两年没有出现明显回撤。在波动因子的高频化过程中，采用的因子构建方式对因子表现影响较大;先计算日内标准差再计算日间标准差最后除以均值去量纲被证明是较好的构建方式，其优势在于同时提取了日内波动与日间波动中的信息。 标准差改为均值能显著提高差分因子的表现，因子对数据频率较敏感差分因子表现出正向收益能力,而计算标准差所希望度量的波动表现出负向收益能力，二者相互抵消会降低因子整体的收益能力。因此，将标准差改为均值能显著提高差分因子的表现，其中日内在计算均值前需要先取绝对值。采用这种方式构建的因子中，表现最好的成交量差分绝对值均值因子在全市场中取得了年化34.13%的多空收益和7.95%的超额收益，多空夏曾比和信息比分别达到2.12和1.10，风格中性后月度IC和ICR仍有4.35%和44.70%。差分因子对数据频率的敏感性很高，当数据频率降低到15min时因子已基本失去收益能力。 【更多详情，请下载：基础因子研究（十四）：高频因子（九），高频波动中的时间序列信息】
报告预览
*本报告来自网络，如有侵权请联系删除
相关「可视数据」推荐
相关「数据报告」推荐
