如何理解因子的含义？

为了方便理解因子含义，将因子分为以下几类：振幅、标准差、高阶矩、成交占比、流动性、动量、 量价相关性、极值位置。

1. 振幅

振幅类因子一的核心在于计算不同交易频率下，以及在各个特定时点上的最高价与最低价之间的比值。经 过比较分析，我们可以明显观察到日内振幅与未来收益之间存在一种显著的负向相关性。在一天的不同时间段 中，上午时段测得的因子有效性显著优于下午时段，而在开盘与收盘时段得出的因子效力亦明显优于午间时段。 值得特别指出的是，随着频率的逐步降低，即时间间隔的增加，因子的信息系数（IC）绝对值呈逐渐增长 之势。当频率降至 240 分钟，即转换为日频时，因子的信息系数（IC）绝对值达到其最大值，数值为-0.0706。 这一结果揭示了在更长的时间尺度上，振幅与未来收益的负相关性更加显著，因此，该因子在日频层面上可能 为市场参与者提供了更强的预测信号。 振幅类因子二包括三类因子，分别是日内价格的中位数/平均绝对偏差与收盘价的比值，或者日内最后一个 价格在全天的排序值。其中表现最好的因子为最高价平均绝对偏差与收盘价的比值。

2.标准差

标准差类因子主要是指日内收益率的标准差，通过计算不同频率收益率的标准差/上行标准差/下行标准差得 到。 通过详细的对比分析，我们可以观察到，在三种标准差计算方法中，上行标准差的整体有效性优于传统标 准差，而传统标准差又优于下行标准差。这表明标准差的计算方式对因子的性能有显著影响。 特别值得注意的是，上行和下行标准差的极值点通常出现在三分钟收益率的标准差因子上，这揭示了在短 期内收益率的波动对因子有效性的重要性，而传统标准差因子的极值点大致出现在八分钟的收益率附近。 当我们深入探讨信息系数（IC）变化趋势时，可以发现三类因子都呈现了一个类似的模式：起初经历一个 下降趋势，随后又逐渐上升。在这三种因子中，传统标准差因子在上升阶段的幅度相对较为平缓，这或许表明 它能够提供一种相对稳定的预测性表现。 从这些发现中，我们可以得出结论：不同的波动率计算方法对因子有效性的影响是差异化的，而且每种方 法都有其在特定时间尺度上的优势。因此，在构建预测模型时，选择适当的波动率计算方法对于增强因子的预 测能力和稳定性至关重要。

3.高阶矩

高阶矩因子着重于计算各种频率下收益率的偏度与峰度。在对这些因子的信息系数（IC）进行细致对比之 后，我们发现峰度类因子的 IC 显著优越于偏度类因子。而且峰度因子在频率变化过程中显示出一种先降后升的 有效性变化趋势，其 IC 值的极致表现出现在以 4 分钟为周期计算的收益率峰度上。

4. 成交占比

成交占比因子反映了日内不同时间段内的成交笔数、成交量或成交金额占全日总量的比重。 通过对成交笔数占比的分析观察，我们可以发现，在 30 分钟和 5 分钟的测量频率下，该因子都展现出倒 U 型的结构特征，即在中午时段，成交占比与未来收益之间呈现出显著的正相关性。然而，在 30 分钟频率下测得 的因子中，尾盘时段的成交占比并未显示出明显的预测效力；而在 5 分钟频率下，尾盘成交占比因子与未来收 益率之间却表现出了明显的负相关性。 成交量占比因子在表现上与成交笔数占比因子类似，同样呈现倒 U 型结构，但在 30 分钟和 5 分钟的频率下， 尾盘成交占比的表现出现了明显的差异。与成交笔数占比因子的不同之处在于，成交量占比因子在 5 分钟频率 下的对称性较好，但总体而言，其有效性不如成交笔数占比因子。 至于成交金额占比因子，其表现趋势与成交量占比因子相似，这进一步验证了在不同时间段内市场成交特性 的一致性。 这些发现对于理解市场日内交易活动的动态变化以及预测未来市场走势具有重要的意义。它们能够为交易者 提供在何时加入或退出市场的参考信息，并为量化交易模型的构建提供实证依据，进而在金融市场中把握更精 准的投资时机。

5.流动性因子

成交占比因子仅揭示了个股日内的成交分布特征，而未能充分考虑到不同股票之间流动性的差异。为了弥 补这一缺陷，我们在成交占比因子的基础上构建了日内流动性因子，该因子专门分析了各个时间段内的自由流 通换手率。具体的构建方法是将日内成交量占比因子与当日股票的自由流通换手率相结合。 从分析结果来看，流动性因子在性能上显著超越了仅考虑成交占比的因子，其增量信息主要源自于自由流 通换手率因子本身，这一因子的信息系数（IC）均值达到了-0.0854。在日内的多个流动性因子中，尾盘流动性 因子的表现尤其突出，其效果超过了原有的成交占比因子。 此项研究为我们提供了更为深入的洞见，即在考察股票日内交易特性时，引入流动性维度是至关重要的。 流动性因子的引入不仅丰富了我们对市场交易行为的认识，而且为投资决策提供了更为精确的指导，特别是在 涉及到预测市场短期走势和制定日内交易策略时。

6. 动量

日内动量的构建方式有两种：一是通过不同时间区间内股价变动的回归斜率来计算；二是依据不同时间频 率收益率的最大及最小值来计算。 对于不同时间频率下的斜率因子的信息系数（IC）分布进行分析发现，除了在尾盘阶段外，全天其他时间 段的斜率因子均未显示出显著的预测能力。然而，在尾盘时段，斜率因子与未来收益率呈现出明确的负相关性。 值得注意的是，随着测量频率的降低，该预测效应逐渐减弱。 就收益率极值因子的表现而言，我们观察到收益率的最大值与未来收益率之间存在负相关关系，而收益率 的最小值则与未来收益率呈现正相关性。在比较两种极值因子的信息系数时，收益率最小值因子的整体表现优 于收益率最大值因子。具体的 IC 分布分析显示，收益率最大值因子的信息系数极值出现在 4 分钟收益率上，而 收益率最小值因子的信息系数极值则出现在约 7 分钟的收益率上。

7. 量价相关性

量价相关性因子专门分析了在不同时间段内，股价与成交量的同步相关性以及它们之间的领先或滞后相关 性。在考察此类因子时，需特别注意尾盘集合竞价期间会出现的成交量为零的情况，这一现象可能对量价因子 的精确度及最终分析结果带来显著影响。鉴于此，我们在计算量价相关性因子时，统一排除了最后 3 分钟的数 据，以提高因子的准确性。 在同步量价相关性因子的分析中，我们发现，以全天 237 根分钟 K 线构建的因子，其表现优于其他任何特 定时间段内量价相关性的表现。此外，量价相关性因子也显示出比单纯股价相关性因子更为出色的效能。在各 量价相关性因子中，最高价与成交量的相关性因子展现了最佳的表现。在不同时间段划分的量价相关性因子中， 开盘与尾盘的相关性因子在预测能力上胜过了其他时间段的相关性因子。 对于领先滞后量价相关性因子的研究表明，滞后一期的因子总体上优于其他时间单位的因子。具体来说， 滞后价格相关性因子的效果超过了滞后成交量相关性因子。在所有考察的因子中，滞后一期的最高价与成交量 相关性因子的表现最为突出，超越了同步最高价与成交量的相关性因子。

8.极值位置

极值位置因子包括日内最高点，最低点的位置因子以及日内股价峰值的个数。 通过对比可以看出，在极值位置因子中，股价最大值，最小值的位置并没有显著的预测能力，日内极值点 的个数与未来收益存在明显的正相关性。