股票收益率

随着传统因子研究的深入，通过使用日级别数据已经很难发现能够在传统技术选股因子之外提供额外选股能力的因子了。考虑到传统因子多使用日级别数据刻画股票日间的形态特征，通过引入日内高频数据刻画股票日内的特征也许能够为模型带来新的信息以及Alpha。

这一观点也在本系列前一篇研究（《选股因子系列研究十八——价格形态因子》）中有所印证。本报告主要使用了股票1分钟价格数据构建了相关因子，对于股票高频收益分布特征（方差、偏度以及峰度）进行了刻画。

报告主要分为三部分，第一部分讨论了因子的构建以及计算方式。第二部分从单因子的角度对于因子的选股能力进行了分析。第三部分对比分析了加入高频因子的改进模型以及未加入

由于市场体制、投资者结构、投资者教育等多方面的原因A股市场投机性较强，既然不能改变A股投机的事实，我们不妨研究如何在投机市场中获利。我们将个股被投机的过程划分为4个周期，投机程度增强的周期一般伴随着股价的上涨，过度投机后投机程度减弱的周期一般伴随着股价的回落，因此，买入投机程度弱的股票卖出过度投机的股票即可获取超额收益

股票的投机程度虽然不能被直接观测，但投机程度高的股票往往伴随着一定的交易行为特征，通过对这些交易行为特征的刻画可变相考察个股的投机程度。我们通过特征波动率、特异度、价格时滞、市值调整换手分别度量股票的波动率高低、个股收益能否被市场风格解释、股价能否反应市场公共信息（市场指数）

如果没有额外的信息或者大资金的强行介入、股票的日内交易特征应该处于较稳定状态，反之如果股票的日内价量特征很不稳定，那么该股票大概率有信息溢出或者被幕后大资金操控，而此时应该是考虑离场的时候了。

我们基于日内5分钟线计算了日内收益率的波动率、偏度、峰度和日内成交量的波动率、偏度、峰度和HHI指数共7个日内交易特征，考虑到时间序列自相关性，我们采用Newey-West调整标准差度量日内交易特征的稳定性（SDRVOL，SDRSKEW，SDRKURT，SDVVOL，SDVSKEW，SDVKURT和SDVHHI）。

7个日内交易特征稳定性因子在各个样本空间均展现出日内交易特征稳定性越差的股票未来平均

随着技术的进步和竞争的加剧，越来越多的投资已经开始关注日内高频数据，高频数据一般指分笔数据（Tick）、快照数据（Quote）以及衍生出来的分钟数据、资金流量数据等，本文涉及主要是日内5分钟行情数据

本文主要想考察股票的日内价格行为特征和股票未来收益率之间关系，度量股票日内价格行为特征最简单的方法是计算日内收益率的高阶矩（波动率、偏度、峰度），考虑到股票的收益率受市场、市值等风格的影响，我们在计算高阶矩时收益率用Fama-French回归的残差替代，分别计算日内特质波动率、日内特质偏度、日内特质峰度三个指标，以20日均值作为月度指标

通过分析各因子的Rank IC序列和分组的业绩表现，我们

A股呈现明显的市值效应和行业效应，不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验，选出的股票会明显受到市场风格因素的影响，我们有必要从因子原始数据中剥离这些因素，检验因子是否能贡献行业、风格因素之外的alpha，本报告用新的方法对估值、成长、技术、风险四类因子过去十年的表现重新做了检验总结，并综合给出了最新的推荐选股因子

估值类因子能够稳定地提供超额收益，但是高估值股票的负alpha普遍要比低估值股票的正alpha更为显著，呈现出明显的不对称超额收益，在A股市场缺乏有效的个股做空机制的情况下，难以充分获得估值类因子的alpha

成长类因子在财务因子

在本篇中，我们借鉴统计套利的思想，提出了价差偏离度的概念，试图捕捉股票相对其同类型股票的高估低估程度。价差偏离度因子本质上是一个相对意义上的反转因子，价差偏离度低，近期跑输其同类股票，股票相对处于低位，有向上回复的动力，有正的预期超额收益，价差偏离度越高，股票处于相对高位，后期有回调的压力

价差偏离度因子业绩表现优异，过去10年月度RankIC-0.095，IR-0.85，分组的top组合相对市场等权年化超额收益17.8%，而且，其稳定性也较高，IC正显著比例9.8%，负显著比例69.9%，多空组合月胜率76.4%，最大回撤15.16%

价差偏离度和传统的市值因子、估值因子相关性弱，通过因