您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[民生证券]:量化专题报告:基于分钟K线的“主力波动率”构造及应用 - 发现报告
当前位置:首页/其他报告/报告详情/

量化专题报告:基于分钟K线的“主力波动率”构造及应用

2024-08-02叶尔乐民生证券
量化专题报告:基于分钟K线的“主力波动率”构造及应用

量化专题报告 基于分钟K线的“主力波动率”构造及应用 2024年08月02日 本文基于日内1分钟频价格和成交量提出了两种主力识别方法。先根据涨跌幅方向对分钟频数据划分区间,状态分类方法一根据当前分钟的成交量与上一区间最后一分钟的成交量的相对大小,将股票划分为缩量上涨/下跌、放量上涨/下跌4种状态。状态分类方法二根据当前分钟的成交量与当前区间前续分钟的成交量的相对大小,将股票划分为缩量持续上涨/下跌、放量持续上涨/下跌、平量持续上涨/下跌6种状态。使用不同状态收益率构造的波动率因子刻画了投资者的不同行为。放量上涨和放量持续上涨状态的日内出现次数、对应区间涨跌幅和股票单日涨跌幅的相关性为各个状态中最高,说明这两种状态更能够代表主力拉升行为,而其对应的区间收益率代表主力资金拉升行为对股价的影响幅度;同理放量下跌和放量持续下跌状态更能够代表着主力出货行为。因此我们采用这四种状态计算波动率代替传统日频波动率,能够抓住每日核心成交信息的特征。 分析师叶尔乐执业证书:S0100522110002邮箱:yeerle@mszq.com相关研究1.基本面选股组合月报:AEG估值潜力组合今年以来超额收益达15.65%-2024/08/01 2.量化分析报告:七月社融预测:10894亿元 使用新的波动率计算方式,刻画了主力带来的“日内超额波动幅度”。相较于传统波动率因子直接计算过去20日收益率标准差,我们采用了新的波动率算法计算了每种状态对应的单因子: -2024/08/013.量化专题报告:StockFormer:基于Transformer的强化学习模型探究-2024/07/30 4.量化周报:量起来前继续保持谨慎-2024/0 a.对日度收益率做截面标准化 7/28 b.取绝对值,并对绝对值调整后的收益率做截面标准化c.计算过去20日标准差 5.量化专题报告:超额收益增长模型AEG:PE估值的内涵逻辑-2024/07/25 修正后的波动率算法更好的刻画了投资者行为对股价影响幅度的波动程度,与传统算法相比在因子收益上有持续的增强。将刻画主力资金行为状态的因子等权合成,构建“主力波动率”因子。将“放量上涨”、“放量持续上涨”、“放量下跌”,“放量持续下跌”因子进行等权合成,得到“主力波动率”因子,IC均值为6.75%,RankIC均值为9.06%,多空年化收益达到33.83%,多空年化夏普比率为2.85,多头年化超额收益为9.96%。周频调仓下,13年以来多空年化收益为48.62%。在沪深300、中证500、中证1000和国证2000内年年化多空收益分别为10.31%、16.86%、35.46%、37.69%,随着市值的逐步下沉,因子表现稳步提升。基于“主力波动率”因子构建红利低波策略,能显著提升长期收益。相比1年波动率,主力波动率通过捕捉主力资金行为来更准确地刻画个股的波动率。我们将中证红利低波指数和红利成长低波指数中的低波因子替换为“主力波动率”因子,构建的组合年化收益相对基准分别提升3.00%和2.42%。此外,我们基于“主力波动率”因子构建了长短期波动结合的红利低波策略,2013年以来组合年化收益达到23.96%,长期来看组合能够获得较为稳定的超额收益。风险提示:量化结论基于历史统计,如若未来市场环境发生变化不排除失效可能。 目录 1基于分钟K线的主力趋势识别3 1.1技术形态分解日内分钟K线状态3 1.2采用不同形态的收益计算波动率因子6 2“主力波动率因子”构建8 2.1因子构建8 2.2“主力波动率”因子绩效9 2.3波动率因子算法讨论10 2.4风格相关系数11 2.5不同频率回测结果12 2.6其他样本空间表现13 3主力波动率因子在红利策略中的应用14 3.1红利低波基准策略表现14 3.2主力波动率在高股息股票中的表现14 3.3改进策略构建15 4结论20 5风险提示21 插图目录22 表格目录22 1基于分钟K线的主力趋势识别 股票的日内收益率包含了不同类型的投资者信息。具有相同日收益的两只股票可能具备完全不同的日内走势,势均力敌和力量悬殊的多空双方代表着完全不同的交易情绪,双方力量的差异导致它们对价格的影响程度有所不同。 用日频收益率构建的波动率因子超额收益稳定性较弱。用日频收益率构建的波动率因子各年表现差异较大,2017年多头超额收益遭遇较大回撤,2018-2021年之间多头超额收益持续走平。 图1:日频收益率构建的波动率因子历史表现 资料来源:Wind,民生证券研究院 本研究基于传统波动率因子从以下三个角度对其表现进行改进: 1.引入分钟频数据来提高收益率数据的颗粒度; 2.从两个维度来识别不同类型投资者,对日内收益率信息进行拆分和提纯; 3.改进波动率计算方法,提高因子稳定性。 1.1技术形态分解日内分钟K线状态 不同类型投资者对市场影响有别。主力是在短期内可以对股票的价格波动和走势产生影响的主要力量,而与之对应的则是对行情的推动效果没有那么明显的次要力量。因此按照股票的日内交易形态去捕捉对股票当天走势更有影响力的主要力量的成交所代表的信息或有更重要的指示意义。 在本篇报告中,我们提出两种基于价格和成交量的状态识别方法: 状态分类方法一:单K线量价方向判断 按照日内分钟频收益率方向变化的时刻(用前一分钟收盘价与本分钟收盘价判断),将日内收益率序列合并为上涨下跌趋势段,对每一分钟判断当前时刻成交量𝑉1与上一个趋势段的最后一分钟成交量𝑉0的相对大小(第一个趋势段内的分钟行情由于找不到对应的上一个趋势段而无法被划分,跳过该分钟): 若𝑉0<𝑉1,则为成交量放量; 若𝑉0≥𝑉1,则为成交量缩量。 那么按照收益率的上涨、下跌,以及成交量的相对放量、缩量可以将日内每分钟行情划分为4种状态:放量上涨、缩量上涨、放量下跌、缩量下跌。 图2:按照状态分类方法一进行日内分时状态识别的示意图 250 200 成交量(万股) 150 131 放量下跌 放量上涨 缩量上涨 缩量下跌 130 129 价格(元) 128 127 100 50 126 125 124 123 93100 93200 93300 93400 93500 93600 93700 93800 93900 94000 94100 94200 94300 94400 94500 94600 94700 94800 94900 95000 95100 95200 95300 95400 95500 95600 95700 95800 95900 0122 资料来源:Wind,民生证券研究院 状态分类方法二:连续K线量价方向判断 按照日内分钟频收益率方向变化的时刻(用前一分钟收盘价与本分钟收盘价判断),将日内收益率序列合并为不同趋势段。对于每个趋势段[𝑡𝑖,𝑡𝑗]内的每一分钟 𝑡𝑘(�<�≤𝑗),比较其对应成交量𝑉𝑡�与区间[𝑡𝑖,𝑡𝑘)内每分钟对应成交量的相对大小。区间[𝑡𝑖,𝑡𝑘)内分钟成交量最大值和最小值分别记为𝑉𝑚𝑎�和𝑉𝑚𝑖𝑛(每个趋势段内的第一分钟行情无法被划分,跳过该分钟): 若𝑉𝑡�<𝑉𝑚𝑖𝑛,则为成交量缩量; 若𝑉𝑡�>𝑉𝑚𝑎�,则为成交量放量; 若𝑉𝑚𝑖�≤𝑉𝑡�≤𝑉𝑚𝑎�,则为成交量平量。 那么按照收益率的上涨、下跌,以及成交量的相对大小可以将日内每分钟行情划分为6种状态:放量持续上涨、平量持续上涨、缩量持续上涨、放量持续下跌、平量持续下跌、缩量持续下跌。 图3:按照状态分类方法二进行日内分时状态识别的示意图 资料来源:Wind,民生证券研究院 主力决定了每日股票涨跌的大方向。状态分类方法一和状态分类方法二用收益率符号变化的时刻划分日内收益率区间,并分别用跨区间和区间内成交量的相对大小关系刻画了交易情绪的变化和持续性。为了从状态分类方法一(4种)和状态分类方法二(6种)中找到更能代表主力资金的技术形态走势,我们计算了每天股票日内每种技术形态出现次数(等同于时间占比)与当日涨跌幅的相关系数,以及每种技术形态对应时段累计涨跌幅与当日股票涨跌幅的相关系数。 图4:方法一出现次数、区间收益与股票涨跌幅的相关性图5:方法二出现次数、区间收益与股票涨跌幅的相关性 出现次数与涨跌幅的相关系数区间收益率与涨跌幅的相关系数 47% 36% 38% 19% -21%-19% -23% 缩量上涨 放量上涨 缩量下跌 -35% 放量下跌 60% 40% 20% 0% -20% -40% 资料来源:Wind,民生证券研究院资料来源:Wind,民生证券研究院 “放量上涨”和“放量持续上涨”状态可捕捉主力拉升行为,“放量下跌”和“放量持续下跌”状态捕捉主力出货行为。主力资金是指在股票市场中能够影响股市、甚至控制股市中短期走势的资金,主力资金拉升和出货动作一般都分别伴随着股价的上涨和下跌。可以看到两张图中,在刻画上涨状态的技术形态中,“放量上涨”与“放量持续上涨”与日收益率的相关系数分别在状态分类方法一和方法二中最高,在刻画下跌状态的技术形态中,“放量下跌”和“放量持续下跌”的相关系数分别在状态分类方法一和方法二中最高,所以我们可以认为这几种技术形态的出现更有可能捕捉到主力资金的行为。 1.2采用不同形态的收益计算波动率因子 本节我们基于对日内收益率的拆分进行波动率因子的构建。利用前文提到的日内行情划分方法,我们使用不同技术形态对应的收益率构造了波动率因子,能够更好的利用到日内波动信息。具体因子构造方式如下: 1.按照上一节所述规则将日内分钟收益率进行技术形态划分; 2.计算每种技术形态对应的时段收益率作为该形态下的日内收益率; 3.对过去20个日度收益率先做截面标准化,取其绝对值,再做截面标准化,然后计算绝对值调整后的过去20日收益率的标准差。 “放量上涨”和“放量持续上涨”构造的波动率因子分别在状态分类方法一和状态分类方法二中选股能力最好。我们对状态分类方法一和方法二中共10种技术形态构建的波动率因子进行了单因子回测(市值行业中性),从因子绩效来看,表现最好的因子为放量上涨(状态分类方法一)和放量持续上涨(状态分类方法二),IC均值分别为7.04%和6.98%,多空年化收益率分别为35.80%和35.84%,多头年化超额收益率分别为11.05%和10.79%,均为对应因子组内最高,验证了放量上涨和放量持续上涨都能更好地代表主力资金拉升行为,主力资金的持续流入代表股票目前被看好,上涨概率更大。 因子名称 因子绩效 十分组回测绩效 IC RankIC ICIR Rank ICIR RankIC>0占比 多空年化 多空年化夏普 多空最大回撤 多头年化超额 多头年化夏 普 缩量上涨 5.74% 6.72% 2.48 3.49 86.86% 27.25% 2.62 -10.34% 6.75% 1.32 放量上涨 7.04% 9.63% 2.86 4.39 91.24% 35.80% 3.17 -10.12% 11.05% 2.19 缩量下跌 5.78% 7.71% 2.43 3.83 88.32% 28.41% 2.71 -10.86% 8.80% 1.77 放量下跌 5.35% 6.73% 2.26 3.39 86.86% 26.73% 2.52 -8.95% 7.51% 1.50 表1:基于日内状态分类方法一的波动率因子回测表现 资料来源:Wind,民生证券研究院 因子名称 因子绩效 十分组回测绩效 IC RankIC ICIR Rank ICIR RankIC>0占比 多空年化 多空年化夏普 多空最大回撤 多头年化超额 多头年化夏普 缩量持续上涨 6.05% 6.66% 2.52 3.51 86.13% 26.19% 2.54 -9.78% 5.14% 1.07 放量持续上涨 6.98% 9.28% 2.86 4.40 90.51% 35.84% 3.28 -10.77%