本文参考方正证券《枯树生花：基于日内模式的动量因子革新》，基于“市场行为特征在日内不同时段存在差异”的基本事实，对动量因子进行创新性的探索，通过时间分割的方法，重新构造了动量因子，并对收益进行统计分析。
未经授权，严禁转载
引言
>>> 研究内容
在量化投资的领域， 动量是最常见的选股因子之一。 不同于国外市场“短期反转、中期动量” 的特点， A股市场呈现较为显著的中长期反转效应。然而，动量因子的反转收益在中国股票市场中也并非一直稳定，也就是说，传统动量因子并不能持续产生稳定的 Alpha 因子。
不同的交易者群体，会有不同的行为模式。在交易日内的不同时段，交易者的成分可能存在系统性差异，因而会导向不同的市场行为特征，最终形成各式各样的日内模式（intraday patterns）。按照这个思路，对动量因子进行创新性的探索。
（1）按照图示方法，将每日的股票涨跌，先按小时分割为4段，加上T-1日close价格到T日open价格，共切割为5个时段。
（2）基于以上的切割方法，我们可以每天得到5个分段的涨跌数据，通过不同时间段对过去20个交易日的涨跌累加，构造出5个新的动量因子。
（3）通过将每天不同时段的因子按最优权重配比方式组合，构成新的动量因子。
（4）回测框架如下：
测试时段： 2014 年 5 月-2019 年 5 月；
样本空间： 中证500指数成分股；
调仓方式： 在每个月初，将股票按构造的新因子值排序，划分为五组，分别持有至月末；因子值最小的组合为多头组合，因子值最大的组合为空头组合。
>>> 本文所用因子构建细节
根据研究内容，我们列出本文所用的四个因子构建细则：
传统动量因子：前二十天涨跌幅
隔夜涨跌幅因子：前二十天隔夜收益率加总，其中隔夜收益率为今开/昨收-1
日内涨跌幅因子：前二十天日内收益率分段加总（4个），其中收益率为1小时周期K线的close/open-1
"动量沙拉"新因子：，新因子可以看作有隔夜涨跌因子与日内涨跌因子构成的“沙拉拼盘”，通过对五个因子的最优权重配比构成新因子
>>> 研究结论
（1）本文将传统的动量因子（即前二十日涨跌幅）进行分拆，重新构造出了最优化的动量因子，并没有发现有强劲的选股能力，但是，构造的新动量因子的选股能力（ICIR=0.84），显著地优于传统动量因子（ICIR=0.12）。
（2）最优动量因子在中证500股票池的五分组多空对冲中， 未能取得较为稳定的多空组合超额收益。多头组合部分有一定的超额收益，超额年化收益为 8.4%，最大回撤为 8.58%。
（3）在对因子数据进行中性化处理后，超额年化收益有少许提升，为9.29%，最大回撤为8.3%。
因子统计特征说明
基于前面提到的切割方法，我们可以构造出 5 个新的动量因子，传统动量因子可以看作是由五种成分构成的“沙拉拼盘”。那么，这五个成分因子的选股能力分
别如何呢？参考研报计算了各个因子 IC 的均值、标准差与IC_IR值。其中 IC 的计算方法是， 在每个自然月的最后交易日，计算每只股票的因子值,最后计算横截面上因子与次月收益的相关系数，即为 IC。下面是5个新因子与传统动量因子在中证500股票池的IC统计。
我们发现上午的成分因子均呈现动量效应，下午的因子呈现反转效应，但是强弱程度有明显差别，其中下午的反转较为显著。更进一步地，为了考察五个成分因子的相互关联，下面也计算了因子相关系数的平均值。
最优权重的确定
基于前文讨论， 我们面临的首要问题是：如何选取各个成分因子的配比权重，才能使“动量沙拉”的整体营养达到最佳（选股能力最优）呢？为了方便讨论，我们记五个成分因子的权重分别为 w0、w1、w2、w3和w4，则复合的动量因子 F 可记为
F = w0*M0+ w1*M1+ w2*M2+ w3*M3+ w4*M4
最优权重的求解，在数学上有明确的表达，简要过程可参考下图内容
其中 s 是令权重之和归一的正常数，借助上述理论公式，我们计算得到的最有权重为(-0.23,-0.19,1.06,1.19,-0.82)，相应的 ICIR 值为-0.84。为了考察动量沙拉对配比权重的敏感度，下面给出了参数局部变动时的 ICIR 值（以w2、w3为例）。
基于构造动量因子的选股模型
我们采取以下框架测试动量因子的选股能力：
测试时段： 2014 年 5 月-2019 年 5 月;
样本空间： 中证500成分股；
其他参数：交易成本千二、单纯多头持股50只
调仓方式： 在每个月初，按构造动量因子进行从小到大排序，划分为五组， 分别持有至月末；
得分最高的组合为多头组合，得分最低的组合为空头组合。
下图为分组的净值走势曲线。
分组回测的结果并没有预期的效果，这从前面的ICIR值上已经有所体现，最优组合的ICIR值也只有0.84左右，下面我们统计了多头部分的收益净值，与中证500指数一起展示，并绘制了如下超额收益曲线
4年左右的时间，能够取得年化8.3%左右的超额收益，我们将因子进行市值、行业中性化后，进行新动量因子构造，回测结果如下
通过进行行业中性化、市值中性化后超额收益有微弱提升，年化收益从8.4%提升至9.3%，最大回撤也有少许降低，从8.58%至8.3%，且超额曲线更加平滑。
结论
本篇报告重点讨论动量因子的改造创新应用，基于“日内不同时段交易者行为模式存在差异”的考虑，我们将传统动量因子进行拆分，通过对比传统动量因子和改进后的动量因子，我们发现有一些策略业绩的提升，构造的新动量因子的选股能力（IR=0.84），显著地优于传统动量因子（IR=0.12）。
但是遗憾的最优动量因子在中证500股票池的五分组多空对冲中，未能取得较为稳定的多空组合超额收益。
多头组合部分有一定的超额收益，超额年化收益为 8.4%，最大回撤为 8.58%，在对因子数据进行中性化处理后，超额收益有少许提升，年化为9.29%，最大回撤为8.3%。
关于该研报的复现过程及数据统计结果，点击【阅读更多】，可以在聚宽社区克隆代码进行研究。
标签：重构,组合,收益,超额,因子,动量,选股 来源： https://blog.csdn.net/Quant_/article/details/90608612
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。