高频因子（十八）：收益来源基础的因子挖掘方法论一——维度匹配因子.pdf

高频因子（十八）：收益来源基础的因子挖掘方法论一——维度匹配因子。

高频因子的计算过程可拆解成若干个数据变换和 K 线聚合步骤

数据变换即对维度数据做函数映射，本质为交易信息的局部处理；K 线聚合即对维度数据按照 一定频率进行聚合计算，本质为交易信息的局部整合，以将数据从高频降至低频。量价因子的 最后一步均为 K 线聚合，低频量价因子无数据变换和 K 线聚合的交叉。相比深度学习，该方法 可以侧重至局部信息；相比遗传算法，该方法可以更好对应收益来源。

由残差波动率的匹配逻辑可得残差成交量波动率和残差振幅波动率因子

以 2010 年以来中证全指内选股为例，市值行业中性后的残差成交量波动率和残差振幅波动率 IC 分别为 5.76%、7.55%，分组年化超额收益分别为 4.65%、5.25%，且基本每年超额收益均 为正。但在量价中性后，两个因子的 IC 下降到 4.02%、2.67%，超额收益下降到 2.74%和 0.45%， 且超额收益的时序稳定性显著下降。简单逻辑的复制挖掘的信息增量有限。

由匹配 K 线算子计算最后一步得到的因子称为维度匹配因子

本文通过残差波动率算子，对每笔成交额和成交量占比聚合，构建成交匹配波动因子。以沪深 300、中证 500、中证 1000 和中证全指范围内选股为例，量价中性后因子 IC 分别为 3.81%、 3.63%、4.25%、4.15%，因子分组超额收益分别为 5.05%、3.53%、5.00%、5.77%，除中证 1000 有 5 年超额收益为负，其余板块的超额收益时序上较为稳定。