价变共振,同研报的另一个因子分层炸裂,它会更好吗?

价变共振

本文，笔者将复现一下招商证券任曈老师的研报《“青出于蓝”系列研究之九-基于分钟数据的价变共振因子》。

在此之前，笔者复现了这篇研报中的领先成交额异动因子，这个因子在分层回测上的表现非常不错。

于是，让笔者对同研报中的另外一个因子也充满了兴趣。

计算步骤和代码

先来看看这个因子的计算步骤和代码，然后看看《因子日历》中对这个因子的说明。

计算步骤

该因子的计算一共5个步骤。

第一步，计算个股收益率最高/最低5分钟市场收益率的标准差，记为std_max和std_min。

第二步，计算个股收益率最高/最低5分钟市场等权收益率的均值，记为rm_max和rm_min。

第三步，对rm_max在截面上正序排名，rm_min在截面上逆序排名。

第四步，将排名后的rm_max和rm_min分别除以std_max和std_min。

第五步，对过去5个交易日的因子计算均值。（这里笔者为了和之前的因子进行对比，还是取了21个交易日）

代码

def process_single_day(self, idx):    # 加载当日分钟数据    file_name = self.files[idx]    date_str = file_name.split('.')[0]    cur_time = pd.to_datetime(date_str) + timedelta(hours=15)    full_path = os.path.join(self.file_pth, file_name)    data = BaseDataLoader.load_data(full_path, fields=['close', 'turnover']).to_dataframes()    rtn = data['close'].pct_change()    mkt = rtn.mean(axis=1)    mkt_sigma = rtn.std(axis=1)    resi = []    for i in range(len(rtn.columns)):        resi.append(self.cal_resi(rtn.iloc[:, i], mkt))    resi = pd.concat(resi, axis=1)    resi = resi.reindex(rtn.index)    res = []    for q in [1 / 48, 47 / 48]:        if q == 1 / 48:            flag = rtn < rtn.quantile(q)            resi_flag = resi < resi.quantile(q)        else:            flag = rtn > rtn.quantile(q)            resi_flag = resi > resi.quantile(q)        rtn_mean_factor = np.nanmean(mkt.values.reshape(-1, 1) * np.where(flag, 1.0, np.nan), axis=0)        rtn_mean_factor = pd.Series(rtn_mean_factor, index=rtn.columns)        resi_mean_factor = np.nanmean(mkt.values.reshape(-1, 1) * np.where(resi_flag, 1.0, np.nan), axis=0)        resi_mean_factor = pd.Series(resi_mean_factor, index=rtn.columns)        if q == 1 / 48:            tmp_rtn = rtn_mean_factor.rank(pct=True, ascending=False)            tmp_resi = resi_mean_factor.rank(pct=True, ascending=False)        else:            tmp_rtn = rtn_mean_factor.rank(pct=True)            tmp_resi = resi_mean_factor.rank(pct=True)        rtn_sigma = np.nanmean(mkt_sigma.values.reshape(-1, 1) * np.where(flag, 1.0, np.nan), axis=0)        resi_sigma = np.nanmean(mkt_sigma.values.reshape(-1, 1) * np.where(resi_flag, 1.0, np.nan), axis=0)        res += [tmp_rtn / pd.Series(rtn_sigma, index=rtn.columns),                tmp_resi / pd.Series(resi_sigma, index=rtn.columns)]    res = pd.concat(res, axis=1)    res.columns = ['co_min', 'co_min_resi', 'co_max', 'co_max_resi']    res['datetime'] = cur_time    return res

在复现的时候，笔者不仅考虑了收益率来计算这个因子，还将其替换为残差收益率进行了一次尝试。

前14行，主要就是读取数据。

第15行，计算残差收益率。

第17-37行，计算因子。这里，笔者没有直接取最大或者最小的5分钟，而是按照分位数来计算，有两个原因。

第一，这样更简洁，不需要用for循环遍历每一个标的。

第二，这样可以不纠结于收益率相同的时候取哪一分钟。

第19-20行，获取最小的1/48分位数。

第22-23行，获取最大的1/48分位数。

第24-27行，计算rm_min或rm_max。

第29-30行，对于最小的1/48分位数倒序排列。

第32-33行，对于最大的1/48分位数正序排列。

第34-35行，用排序的收益率除以标准差，得到了日频的因子值。

因子逻辑

在因子日历中，这篇研报占据了多页。

先来看看co_min，即rm_min/std_min因子的逻辑。

rm_min刻画了个股与市场趋势的一致性，因子值越小，说明个股是在市场表现较差时同步出现价格下跌，与全市场下跌趋势一致，个股与市场形成有效共振，股价下跌可能是市场恐慌性错杀带来的，未来股价更容易被修正，未来收益表现较好；std_min刻画了市场整本收益的分歧度，分歧度越小，市场趋势更具市场代表性，个胶与市场共振越有效，将其叠加后有助于提升rm_min的表现。

再来看看co_max，即rm_max/std_max因子的逻辑。

rm_max刻画了个股与市场趋势的一致性，因子值越大，说明个股是在市场表现较好时同步出现价格上涨，与全市场上涨趋势一致，个股与市场形成有效共振，股价上涨被普遍认可，更容易延续，未来收益表现较好；std_max刻画了市场整本收益的分歧度，分歧度越小，市场趋势更具市场代表性，个胶与市场共振越有效，将其叠加后有助于提升rm_max的表现。