发帖
雷达卡
1，介绍
在通常情况下，股票与指数的日内走势是基本一致的关系。但是，在某些特殊的交易日里，股票可能在盘中频繁出现与指数走势背道而驰的情况。这种个性十足的价格异动，我们称之为“特立独行”事件。本文根据[1]中所论述的方法，借助相关系数的简便工具，提出了“特立独行”异动事件的量化筛选方案，并对该方案作相关的研究。“特立独行”事件模型在实际应用中的意义有两个方面：一是，作为一个交易型的事件或因子，能够为量化投资体系带来新的增量信息；二是，作为一个异动提醒工具，能够为主动基金经理提供基本面研究前的预筛选。
2，策略 由于分钟数据要从account中提取，下文中先给出策略，再对方法做出分析。策略中异动事件的筛选方法如下： （1）取交易日 t、股票 stk 的日内分钟收益率序列，计算其与上证综指当日分钟收益率序列的皮尔逊相关系数 COV(stk,t)； （2）将相关度因子 COV(stk,t) 低于阈值Lambda，视为发生“特立独行”异动事件。对于Lambda的选取，采用的计算方法是全部股票平均相关系数减去两倍标准差。 据此尝试构建一个基于“特立独行”异动事件的投资组合，在发生异动事件的样本中，选取“逆势涨”的部分，“逆市涨”指的是当日股票收益大于0，且市场收益率小于0。每日收盘后选出合格的股票标的，次日以开盘价等权买入，持有 50 个交易日后以收盘价卖出。由于事件发生的概率较低，为了防止空仓率高的情况，策略中调长持有时间，不过这也一定程度减少了投资机会。点击查看策略代码
对于策略结果我们发现：（1）策略超额收益很高，但最大回撤也很高，并且分析策略图形可以发现此策略在市场平稳时收益较好，如果市场波动较大则策略表现很差。（2）由于异动事件概率实在太低，这一策略在有些时候很难选出股票，因此整个4月几乎都处于空仓状态。
3，相关分析 下面给出了“特立独行”异动事件在时间轴上的分布。可以发现异动事件除了12月异常多以外其他月份分布较为均匀，这可能和年底突发事件发生得多有关。4月异动事件较少，可能是股市形势较好，股票集体上行，使得相关系数较高。
下面统计异动样本在各个行业的分布情况，从左往右依次对应证监会行业编码[1030112, 1030114, 1030117, 1030118, 1030119, 1030101, 1030102, 1030103, 1030104, 1030105, 1030106, 1030107, 1030109, 1030110, 1030111],可以看出行业分类并不像研报中说的那样均匀，由于不同行业分布不均，一个更好的改进方法是对不同行业采用不同的Lambda。
然后考察Lambda的取值问题，这里我们在策略中抽取最后一天的相关系数,可以看出相关系数是接近指数分布的，Lambda的取值基本过滤出了相关系数异常低的情况，且过滤出的相关系数都小于0。
“特立独行”的整体样本中包含了两类截然不同的异动事件：“逆势涨”和“逆势跌”。所谓“逆势涨”，是指股票盘中逆势上涨，因此导致与指数走势出现背离。“逆势跌”则恰好相反。这两类异动事件都会导致相关系数降低，按照特立独行事件的筛选方案，均有可能被选出。本文设定当日累计收益率大于0的为“逆市涨”样本，小于0为“逆势跌”样本，为此我们提取了策略中的“逆市涨”样本441个和“逆市跌”样本283个计算期日后累计收益率，虽然计算出的累积收益率远低于研报中的结果，原因尚不明确，但是可以肯定的是，逆市涨的收益率显著高于逆市跌，且t检验显示显著高于0。因此我们在策略中只选取逆市涨样本。
最后得出以上的策略结果。
以上
参考文献：[1]方正证券：“特立独行”异动股票的事件研究
京公网安备 11010802022788号
