券商研报复现挑战赛|回望来时路,砥砺再出发

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

  第一期的研报复现大赛已经落下帷幕啦~

  再次感谢朋友们的踊跃参与和大力支持~

  所有的匍匐都只是高高跃起前的热身，

  第二期的赛事即将开启，我们期待您的参与！



第一期研报复现结果回顾
第一期研报复现比赛已经结束，通过15天的社区公开审核，综合社区人气指标进行评选，本次研报复现比赛的最终结果公布如下：

排名前三的作者分别是

>>> 1. 一梦春秋

>>> 2. lan666

>>> 3. k线放荡不羁

在第一期的研报复现活动中收到了许多小伙伴们的投稿，也感受到了诸位量化爱好者的热情，再次感谢各位小伙伴对本次比赛的支持与厚爱。

我们也希望通过这样的活动，能够传递基础的量化研究方法、了解量化策略构建流程，能通过比赛任务的方式促进小伙伴们快速成长。

为此，我们调整了第二期的赛事规则，更多聚焦于研究思路与因子处理过程，任务内容也更加灵活。错过了第一期比赛任务与未能取得满意成绩的小伙伴，不要灰心哦，第二期即将开始，敬请期待！





第一名研报作品展示

引言
>>>  研究目的

本文参考广发证券《基于日内高频数据的短周期选股因子研究-高频数据因子研究系列一》，对研报构造的因子做了实现，并复现了里面的结果，做出了分析。其中用个股日内高频数据构造选股因子，低频调仓的思路是一个很好的方向。




>>>  研究内容

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，考察这三个因子在回测区间内对个股收益率 的区别度。



>>>  研究结论

在‍‍‍‍三个因子中‍‍偏度RSkewRSkew因‍‍子最有效，分组区分度高，比较稳定，收益最高。


因子构建

因子构建过程摘自研报，具体因子指标构建如下:

1.对于每个个股在交易日t，首先计算个股在特定分钟频率下第i个的收益率




其中，pt,i表示在交易日t，个股在第i个特定分钟频率下的对数价格，pt，i-1表示在交易日t，个股在第i-1个特定分钟频率下的对数价格。


2.对于每个个股，根据𝑟𝑡,𝑖分别计算个股在交易日t下的已实现方差(Realized Variance) RDV art、已实现偏度（Realized Skewness）RDSkewt，已实现峰度（Realized kurtosis）RDKurtt。其中：




其中N表示个股在交易日t中特定频率的分钟级别数据个数，如在1分钟行情级别下，数据个数N为60*4=240；在5分钟行情级别下，数据个数N为240/5=48。

1.对于每个个股在交易日t计算累计已实现波动(Realized Volatility)RVolt，已实现偏度（Realized Skewness）RSkewt，已实现峰度（Realized Kurtosis）RKurtt，其中：





在每期调仓日截面上，按照上述公式计算每个个股的已实现波动(Realized Volatility)RVolt，已实现偏度(Realized Skewness)RSkewt，已实现峰度（Realized Kurtosis）RKurtt指标，针对每个由高频数据计算得到的因子指标在历史上的分档组合表现，试图寻找出相对有效的因子指标。



构造因子数据

>>> 计算因子值的过程比较慢，大概耗时1小时左右。如果直接下载我构造好的数据文件（factor_dict.pkl）上传到研究里可以跳过这一步，直接到因子特征展示开始执行。

>>>   之后开始计算因子值。



因子特征展示

通过上文中的代码，已经获取到了中证500成分股2013-2019的因子数据。

以下分别从因子频率分布、因子百分位走势2个维度展示因子特征。

>>>  频率分布











从以上因子分布三图看出，整个A股市场个股的波动率分布整体上呈现右偏分布；个股的偏度分布，整体偏度水平保持在零附近，呈现较为明显厚尾状态；个股的峰度分布与个股波动率水平类似，分布整体上右偏，且样本内个股的峰度水平大部分大于3，呈现厚尾的现象。

和研报中的三个因子分布图情况和结论相同。

>>>   百分位走势








从以上三图看出，个股的波动率在不同的时间维度上变化较大，当市场趋势行情较明显时候，个股波动率水平整体上呈现上升的趋势；个股偏度水平整体较为稳定；个股峰度水平在极端行情下峰度更高，且不同分位数差异更加明显。

和研报中的三个因子百分位走势图情况和结论相同。



实证分析

>>>  因子选股分档表现








由以上累计收益率5档图看出，偏偏度RSkew因子分档很明显，单调性显著；RVol因子分档不明显，峰度RKurt因子的区分度比偏度RSkew略微弱一些，但好于RVol因子。

和研报结论相同。

>>>  因子多空收益








从以上多空累计收益三图可以看出，偏度RSkew因子多空收益最高，也比较稳定，基本上一直在上行，进一步验证了RSkew因子的有效性。峰度RKurt因子在2013-2014年多空收益在0上下徘徊，和峰度RKurt因子分档累计收益图中2013-2014区分度不明显情况相同。



>>>  因子分析


r_skew ic 小于0的个数占比：0.6600660066006601


r_kurt ic 小于0的个数占比：0.66996699669967



从以上IC三图可以看出，偏度RSkew因子平均IC基本都小于0，且IC负值占比超过6成，预测能力较好。

偏度RSkew因子在中证500指数下2013-2019年IC小于0的个数占比为66%，和研报中中证500的IC统计结果近似。受限于研究的内存和因子构建执行时间，我没有使用全市场数据计算，研报中全市场数据的IC小于0的个数占比未验证。

>>>  因子换手率









这里不知道换手率统计的对不对。我只考虑了两个调仓日之间，每个档位更换股票占原股票的比例。偏度RSkew因子子的换手率比较稳定，基本上每期都要把持仓更换一遍。

看散点分布情况，换手率分布大部分在85%以上，考虑到时间选取和算法的不同，和研报中给出的平均80%换手率也算接近。



总结

本研究从因子分布和因子百分位走势对因子特征做了展示，从累计收益率、多空收益、因子IC、换手率几个角度做实证分析。

总的来说，本研究使用中证500指数2013-2019年的数据选股，对研报中的内容基本上都做了复现，得出结论：三个因子中偏度RSkew因子最有效，分组区分度高，比较稳定，收益最高。

点击【阅读原文】，查看更多内容~

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：量化投资 机器学习 人工智能