形态因子研究初探：基于离散形态信号构建的形态合成因子.pdf

形态因子研究初探：基于离散形态信号构建的形态合成因子。K线形态与形态信号。K线的本质内涵是多空双方资金在争夺主导权而留下来的轨迹，K线形态学研 究的是股票价格在下跌、盘整、上升过程中的价格轨迹的图形、形态及特征， 不同K线组合可以表现出多重市场形态。

在之前的报告中，我们根据1-5日K线总结出了61种常见形态，包括正面形 态，负面形态和反转形态，对应着不同的看涨或看跌信号。这些形态信号具有 以下特点：离散化、低覆盖、多样化（同一日不同形态的信号值有重叠或相反 情况），难以因子化。针对这些特点，本报告提出一种基于离散形态信号构建 形态合成因子的方法，希望通过多种“个性”形态的综合效应，挖掘形态背后 的因子“共性”。

形态合成因子构建

综合不同形态和不同交易日情况，考虑形态之间的相互影响，基于离散形态信 号构建形态合成因子。首先采用离散信号回归加权法，将每一期各形态的离散 信号作为哑变量，与下一期收益率进行线性回归，并基于历史一段时间的回归 系数对信号值进行加权，得到形态因子。然后将当期形态因子和滞后d期形态 因子等权合成，构建形态合成因子。

构建不同调仓频率（周频、月频），不同回归系数平均周期（60、120、 240个交易日），不同回归方法（一般线性回归、LASSO、弹性网）共18种形 态合成因子。其中LASSO或弹性网回归可实现自动筛选有效形态。

形态合成因子有效性测试

对形态合成因子分别做IC测试、分层测试、分域测试。测试结果表明，不同 形态合成因子均在回测区间具有一定的有效性：ric较稳定，正值比例最高达 81.43%；空头收益明显高于多头收益，多空组合年化收益最高达20.26%；分 域测试中证1000上表现更优，大部分行业均有效。

综合回测效果来看，对于回归系数平均周期的选择，240优于120,两者均明显 优于60。对于回归方法的选择，综合了变量选择和多重共线性处理的弹性网 回归优于变量选择的LASSO回归，两者均明显优于一般线性回归。

形态合成因子应用

基于形态合成因子KPT_Elastic_240_m构建中证1000形态指增策略。回测区 间内年化超额6%，年化跟踪误差4.53%，最大回撤5.86%，信息比率1.32， 分年度表现超额收益均为正。