Alpha掘金系列之四：基于逐笔成交数据的遗憾规避因子

根据行为金融学中的遗憾规避理论，非理性的投资者在做决策时，会倾向于避免产生后悔情绪并追求自豪感，避免承认之前的决策失误。当日收盘价作为一个重要的价量指标，在现有的A股高频量价数据研究中尚未被充分挖掘。在本篇报告中，我们经过探究发现，收盘价对于当日有过交易行为的投资者有着重要的心理影响，进而影响到后续的交易行为。投资者在收盘价低于其当日买入成本价时会更倾向于继续持有，且高于收盘价买入的成交量占比越高、相较于收盘价的价格偏离越大，股票面临更小的卖出压力，进而产生更高的预期收益；反之，投资者在收盘价高于当日卖出价时更倾向于坚持之前判断不再买回，且低于收盘价卖出的成交量占比越大、相较于收盘价的价格偏离越大，股票面临的买入动力越弱，进而产生更低的预期收益。利用此现象我们分别以成交量占比和成交价格偏离构建出了遗憾规避因子，在中证1000指数成分股上经过测试得到了较好的预测效果。 进一步思考，我们探究这一现象在小单投资者身上是否有更显著的效果，我们将小于当日日均订单成交量的订单定义为小单，发现小单成交中这一非理性现象更加明显，IC均值均有一定程度提升，且在低于收盘价卖出类因子上提升效果更加明显。另外，由于尾盘期间（14:30-14:57）投资者的交易行为可能蕴含了更多信息，我们将因子改为仅考虑尾盘期间的交易，发现其预测效果得到进一步提升。最终将小单+尾盘两种改进方式进行结合，发现其优于任何一种单一改进方式。其中卖出反弹占比因子（LCVOLES）和卖出反弹价格偏离因子（LCPES）表现尤其突出，LCPES的多空年化收益率达到96.31%，夏普比率达到8.77。 考虑到交易手续费对于实际收益的影响，我们将因子降为周频后进行合成，发现虽然其收益表现相较于日频因子有所下降，但合成因子FRegretFactorW的多空年化收益率依然达到37.12%，夏普比率为4.09。经过市值中性化后的因子FRegretFactorWAdjCI多空年化收益率为36.97%，夏普比率提升至5.00。两者的多头组合年化超额收益率均达到了10%以上，风险调整后IC在0.60以上。 经过测试发现该因子与传统风格因子、前期报告中的量价背离因子和线性重构因子相关性都较低。在与3个有效的风格因子和量价背离因子、线性重构因子合成后，其IC均值达到8.55%。利用六个因子合成构建中证1000指数增强策略，年化超额收益率达到20.79%，信息比率为4.05。 1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。 2、策略依据一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损。 内容目录 一、遗憾规避因子的构建与日频有效性验证4 1.1投资者成交后收盘价对投资者的心理作用4 1.2遗憾规避因子的构建4 1.3因子改进与效果对比6 1.3.1小单改进6 1.3.2尾盘改进8 1.3.3小单+尾盘改进9 1.4思考与结论11 1.5日频合成因子表现11 二、遗憾规避因子降频后的表现13 2.1周频因子的IC和分位数组合表现13 2.2周频合成因子表现14 三、结合遗憾规避因子构建的中证1000指数增强策略16 3.1基于遗憾规避因子构建的中证1000指数增强策略16 3.2遗憾规避因子与传统风格因子的相关性16 四、总结21 风险提示21 图表目录 图表1：收盘价区分示意图4 图表2：某股票逐笔成交数据示例5 图表3：遗憾规避因子IC指标（日频）5 图表4：遗憾规避因子多空组合净值（日频）6 图表5：遗憾规避因子多空组合指标（日频）6 图表6：小单改进遗憾规避因子IC指标（日频）7 图表7：小单改进遗憾规避因子多空组合净值（日频）7 图表8：小单改进遗憾规避因子多空组合指标（日频）8 图表9：尾盘改进遗憾规避因子IC指标（日频）8 图表10：尾盘改进遗憾规避因子多空组合净值（日频）9 图表11：尾盘改进遗憾规避因子多空组合指标（日频）9 图表12：小单+尾盘改进遗憾规避因子IC指标（日频）9 图表13：小单+尾盘改进遗憾规避因子多空组合净值（日频）10 图表14：小单+尾盘改进遗憾规避因子多空组合指标（日频）10 图表15：HCVOLES因子IC衰减10 图表16：LCVOLES因子IC衰减10 图表17：HCPES因子衰减11 图表18：LCPES因子衰减11 图表19：各因子多空夏普比率对比（日频）11 图表20：遗憾规避因子秩相关系数（日频）11 图表21：遗憾规避合成因子IC指标（日频）12 图表22：遗憾规避合成因子多空组合净值（日频）12 图表23：遗憾规避合成因子分位数组合年化超额收益率（日频）12 图表24：FRegretFactor因子分位数组合指标（日频）12 图表25：FRegretFactorAdjCI因子分位数组合指标（日频）12 图表26：遗憾规避因子IC指标（周频）13 图表27：遗憾规避因子多空组合净值（周频）14 图表28：遗憾规避因子多空组合指标（周频）14 图表29：遗憾规避因子秩相关系数（周频）14 图表30：遗憾规避合成因子IC指标（周频）14 图表31：遗憾规避合成因子多空组合净值（周频）15 图表32：遗憾规避合成因子分位数组合年化超额收益率（周频）15 图表33：FRegretFactorW因子分位数组合指标（周频）15 图表34：FRegretFactorWAdjCI因子分位数组合指标（周频）15 图表35：基于遗憾规避因子的中证1000指数增强策略表现16 图表36：基于遗憾规避因子的中证1000指数增强策略指标16 图表37：遗憾规避因子与其他类型因子的相关系数17 图表38：中证1000成分股中遗憾规避因子与其他因子IC指标（周频）17 图表39：中证1000成分股中遗憾规避因子与其他因子多空组合净值（周频）18 图表40：中证1000成分股中遗憾规避因子与其他因子多空组合指标（周频）18 图表41：基于遗憾规避因子与其他因子合成的中证1000指数增强策略表现19 图表42：基于遗憾规避因子与其他因子合成的中证1000指数增强策略指标19 图表43：基于遗憾规避因子与其他因子合成的中证1000指数增强策略分年度收益率20 图表44：不同手续费下策略超额净值对比20 图表45：不同手续费下策略指标对比20 在前期报告中，我们利用高频快照数据所构建的量价背离因子、经过线性转换和动态纠正的价格区间因子都取得了不错的效果，其反映的市场微观结构为投资者提供了新的alpha来源。随着高频因子受到投资者越来越广泛的关注，我们将在这个领域上持续发力，挖掘更多的alpha因子。本篇报告作为Alpha掘金系列报告的第四篇，我们利用高频逐笔成交数据，从订单号和买卖标志入手，构建出遗憾规避因子，并利用该因子所反映的投资者非理性情绪进一步改进提升效果。降频至周频后，构建出能够满足机构投资者要求的中证1000指数增强策略。 1.1投资者成交后收盘价对投资者的心理作用 行为金融学作为因子的重要来源之一，目前已有的很多高频量价因子都以数据背后蕴含的投资者非理性行为作为逻辑基础。本文主要探究投资者日内在发生买卖行为后，当日收盘价对投资者会产生怎样的心理作用，又会怎样影响投资者后续的交易行为。 遗憾理论（RegretTheory），又称遗憾规避理论（FearofRegretTheory），是行为金融学的重要理论之一。该理论 认为，非理性的投资者在做决策时，会倾向于避免产生后悔情绪并追求自豪感，避免承认之前的决策失误。例如，投资者不愿卖出下跌浮亏的股票，是为了避免由于失败投资所导致的遗憾和痛苦心情。我们认为，同样地，当投资者卖掉手中股票后发现其开始不断上涨时，也会为了避免产生遗憾和后悔情绪，从而不会考虑再将其买回。依据此观点，我们提出如下推测： 考虑一位主动买入投资者在收盘后发现，其当天买入的股票收盘价已低于其成本价，由于处置效应的存在，投资者在 浮亏的情况下会存在惜售心理。且高于收盘价买入的成交量占比越高、价格偏离越大，该股票的卖出抛压越小，会有更高的预期收益。反之，若一位主动卖出的投资者在收盘后发现其已卖出股票的收盘价高于其卖出价，他会倾向于继续坚持自己之前的判断，即便后续价格回升也不会考虑再次买回。且低于收盘价卖出的成交量占比越高、价格偏离越大，此类股票的买入动力越小，会有更低的预期收益。基于此假设，我们分别通过成交量占比和成交价格偏离两个维度共构建了4个因子以衡量投资者这种非理性的交易行为对股票预期收益带来的影响。 图表1：收盘价区分示意图 2180 买入后浮亏投资者，倾向 于在次一交易日继续持有 卖出后价格反弹的投资者， 在次一交易日不会再买回 2160 2140 2120 2100 2080 9:30:00 9:34:32 9:39:05 9:43:34 9:48:06 9:52:40 9:57:13 10:01:45 10:06:19 10:10:48 10:15:22 10:19:52 10:24:22 10:28:52 10:33:25 10:37:58 10:42:30 10:47:04 10:51:34 10:56:04 11:00:37 11:05:09 11:09:43 11:14:13 11:18:40 11:23:13 11:27:46 13:02:16 13:06:50 13:11:23 13:15:53 13:20:23 13:24:53 13:29:23 13:33:46 13:38:20 13:42:52 13:47:26 13:51:58 13:56:32 14:01:08 14:05:40 14:10:14 14:14:47 14:19:20 14:23:53 14:28:25 14:32:59 14:37:29 14:41:59 14:46:32 14:51:02 14:55:35 2060 来源：Wind，上交所，深交所，国金证券研究所 1.2遗憾规避因子的构建 本篇报告我们使用逐笔成交数据进行实证研究，该数据记录了市场中实时发生的买卖成交信息，包含成交的买卖双方订单号、成交价、成交量等数据，能以最细的粒度展示交易细节，为投资者提供了优质的alpha来源。下表为某股票在2021年2月1日的部分逐笔成交数据，其中卖单号和买单号分别为交易所针对该笔订单赋予的订单编号。 图表2：某股票逐笔成交数据示例 日期 时间 成交价格 成交量 卖单号 买单号 20210201 93000360 2,133.00 100 174497 173839 20210201 93000360 2,132.18 100 175399 174501 20210201 93000430 2,134.00 100 13061 175509 20210201 93000430 2,134.00 100 70208 175509 20210201 93000430 2,134.00 100 123651 175509 20210201 93000430 2,134.00 100 175520 175509 20210201 93000430 2,131.00 300 175822 173838 20210201 93000430 2,131.00 100 176237 173838 20210201 93000540 2,132.18 100 177246 176466 20210201 93000540 2,132.18 100 177799 178492 来源：Wind，上交所，深交所，国金证券研究所 由于实际交易中，买卖成交必然是一一对称的。为区分成交的实际买卖方向，我们根据买卖订单号的先后顺序，给每笔成交数据赋予买卖标志。若某笔交易是由买方先挂单，卖出方后提交订单并与买单撮合成交，则该笔交易实际为主动卖出，方向会被记录为卖，反之亦然。 我们根据每笔交易的成交量和买卖标志，基于上述针对收盘价对投资者