上周高频&基本面共振组合策略超额0.46%【国金金工高智威团队】

1. ETF轮动因子及策略近期表现

在前期报告《智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略》中，我们使用在选股方面效果较好的GBDT+NN机器学习因子，通过个股映射到指数，再根据一定的筛选条件选择对应ETF的方式构建了周度调仓的ETF轮动策略，策略在样本外表现整体表现良好。

上周，因子表现良好，IC值为-43.98%，多头超额收益率为-0.56%。

若考虑双边千二的手续费，以沪深300指数作为比较基准，回测期为2015年2月至今，策略以每周第一个交易日的收盘价买入进行周频调仓，每期根据ETF轮动因子的十分组多头组作为拟持仓ETF，并叠加换手率缓冲的方式以降低高换手带来的策略影响。策略表现如下：

策略年化超额收益率为12.02%，信息比率0.69，超额最大回撤为17.31%。

策略上周超额收益率-1.52%，本月以来超额收益率-1.03%，今年以来超额收益率5.49%，近期表现优异。

2. 本周建议关注ETF

根据最新的策略信号，本周ETF持仓列表如下：

过去一周，各类高频因子多头组合在中证1000指数成分股中的表现稳定。其中，价格区间类因子多空收益率0.40%，多头超额收益率-0.45%。量价背离因子多空收益率-0.36%，多头超额收益率-1.23%。遗憾规避因子多空收益率为1.00%，多头超额收益率-0.11%。以下为各大类高频因子的周度表现：

1. 高频价格区间因子

在前期研究中，我们从高频数据的角度探究了市场的日内微观结构。利用三秒的快照数据，发现：

高价格区间成交笔数与成交量因子与股票未来收益呈现显著的负相关性，即股票在日内高价格区间投资行为聚集程度与成交活跃度越低，未来上涨可能性越大。低价格区间平均每笔成交量因子与股票未来收益呈现显著的正相关性，即低价格区间的平均每笔成交量越大，大资金活跃程度越高，股票未来上涨可能性越大。

我们发现高价格80%区间成交量因子（VH80TAW）、高价格80%区间成交笔数因子（MIH80TAW）和低价格10%区间每笔成交量因子（VPML10TAW）在周频的调仓频率上表现较好。三个细分因子的近期表现如下：

我们以25%、25%和50%的权重对三个因子进行合成，对合成后因子进行行业市值中性化，得到的价格区间因子净值曲线如下：

可以看出，因子在样本外表现出色，超额净值曲线稳定向上，近期表现稳定。因子在上周、本月以来和今年以来的超额收益表现如下。

2. 高频量价背离因子

在前期深度报告《Alpha掘金系列之二：基于高频快照数据的量价背离选股因子》中，我们发现，当量价出现背离时，无论当前股价处在上升还是下降通道，未来上涨的可能性均较高；同理，当量价趋同时，股价未来下跌的可能性较高。

我们利用高频快照数据对价格和成交量的相关关系进行衡量，分别用快照成交价和快照收益率与快照成交量、成交笔数和每笔成交量计算。发现在周频的调仓频率上，价格与成交笔数的相关性（CorrPM）和价格与成交量的相关性（CorrPV）表现较好，两个细分因子的近期表现如下：

我们对上述两个因子进行等权合成，对合成后因子进行行业市值中性化，得到的量价背离因子净值曲线如下：

可以看出，因子自2020年以来，收益呈现出下降的趋势，也和众多机构开始越来越多使用高频因子有关。因子在样本外整体表现也比较平淡，但今年以来表现良好，能相对稳定获取正的超额收益。因子在上周、本月以来和今年以来的超额收益表现如下。

2.3 遗憾规避因子

在前期深度报告《Alpha掘金系列之四：基于逐笔成交数据的遗憾规避因子》中，我们利用行为金融学中的遗憾规避理论发现，利用投资者的遗憾规避情绪可以构造出有效的选股因子。如某只股票买入浮亏占比较高或买入浮亏程度较大时，股票的预期收益会更高；卖出后股价反弹的占比越高或反弹程度越大时，股票的预期收益会更低。

我们利用逐笔成交数据区分了每笔交易的主动买卖方向，发现在加入小单和尾盘的限制后，因子的表现有进一步的提升。在周频上，卖出反弹占比因子（LCVOLESW）和卖出反弹偏离因子（LCPESW）表现较好，两个细分因子的近期表现如下：

我们对上述两个因子进行等权合成，对合成后因子进行行业市值中性化，得到的遗憾规避因子净值曲线如下：

可以看出，因子收益表现整体平稳向上，在样本外也体现出较强的超额收益水平。因子在上周、本月以来和今年以来的超额收益表现如下，今年以来表现良好，已取得10.52%的多头超额收益。

4. 斜率凸性因子

股票作为二级市场上被广泛交易的标的，其价格与供需量的变化受到供需弹性的规律影响。而高频快照数据中的限价订单簿所独有的委托量和委托价信息，为我们提供了绝佳的研究数据来源。我们首先将委托量数据按照其档位进行累加，用委托价和累计委托量计算出买卖双方的订单簿斜率。发现日频斜率因子基本符合我们的一般认知：即买方斜率越大，股票的需求弹性越小，买方投资者对于股票的价格敏感程度较低，则股票有更高的预期收益。对于卖方而言，斜率越小则股票的供给弹性越大，即减少相同的价格会有较大程度的委托量降低，表明卖方不愿轻易降价卖出，同样对应到股票更高的预期收益。

我们将按照订单所在档位区分为高档位投资者斜率因子和低档位斜率因子，并根据两者的反向关系构建出斜率凸性因子。最后提取出低档斜率因子（Slope_abl）和高档位卖方凸性因子(Slope_alh)进行合成。发现在周频的调仓频率上，两个细分因子的近期表现出现波动，具体表现如下：

我们对上述两个因子进行等权合成，对合成后因子进行行业市值中性化，得到的斜率凸性因子净值曲线如下：

可以看出，因子自2016年以来，收益保持平稳的趋势，因子在样本外整体表现也比较平淡。因子在上周、本月以来和今年以来的超额收益表现如下。

为考虑高频因子的实际选股表现，我们将上述三类高频因子等权合成构建了高频“金”组合中证1000指数增强策略。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数。为降低调仓手续费对策略的影响，我们加入换手率缓冲的机制降低调仓成本。策略的净值曲线及主要业绩指标如下：

可以看出，指数增强策略在样本外同样表现出色，有着较强的超额收益水平。策略在上周、本月以来和今年以来的超额收益表现如下。近几月以来出现阶段性调整，上周录得0.41%的超额收益，本月以来超额收益为-0.16%，今年以来超额收益为4.37%。

一般而言，高频因子与传统基本面因子的相关性较低，将表现较好的基本面因子和高频因子进行结合能够有效提升多因子投资组合的表现，为此我们构建了基于多因子的高频&基本面共振组合中证1000指数增强策略。其中基本面因子包括：一致预期、成长和技术因子，高频因子为本篇报告上述的三类因子。策略的净值曲线及主要业绩指标如下：

可以看出，加入基本面因子后的指数增强策略的各项业绩指标均有一定程度提升。且在样本外表现稳定，有着较强的超额收益水平。策略在上周、本月以来和今年以来的超额收益表现如下。近期表现整体较好，上周录得0.46%的超额收益，本月以来超额收益为-1.90%，今年以来超额收益为5.49%。

1、 以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效的风险。

2、 各类事件因子可能会受到政策、市场环境发生变化的影响，出现阶段性失效的风险。

3、 市场可能出现超出模型预期的变化，导致策略出现超出模型估计的波动和回撤。

1. 《主动量化研究之二：当绩优基金重仓股遇到调研会发生什么“共振”？》

2. 《主动量化研究之一：择时、选股、选基——自主可控概念量化投资指南》

Beta猎手系列

 1.《Beta猎手系列之十二：RAG-ChatGPT提前布局热点概念领涨股》

 2.《Beta猎手系列之七：追上投资热点——基于LLM的产业链图谱智能化生成》

 3.《Beta猎手系列之六：基于宏观量价信号叠加的微盘股茅指数择时轮动策略》

 4.《Beta猎手系列之五：Beta猎手系列之五：基于机构调研热度和广度视角的行业配置策略》

 5.《Beta猎手系列之四：如何利用ChatGPT解析卖方策略观点并构建行业轮动策略？》

 6.《Beta猎手系列之三：行业超预期的全方位识别与轮动策略》

 7.《Beta猎手系列之二：熵池模型：如何将纯主动观点纳入量化配置模型》

 8.《Beta猎手系列：基于动态宏观事件因子的股债轮动策略》

智能化选基系列

1. 《智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略》

2. 《智能化选基系列之六：如何用AI选出持续跑赢市场的基金？》

3. 《智能化选基系列之五：如何如何刻画基金经理的交易动机并进行基金优选？》
   

4. 《智能化选基系列之四：如何用LLM生成基金经理调研报告并构建标签体系？》

5. 《智能化选基系列之三：基金经理多维度能力评价因子优化》

6. 《智能化选基系列之二：风格轮动型基金的智能识别与量化优选》

7. 《智能化选基系列：如何通过全方位特征预测基金业绩并构建跑赢指数的基金组合》

1. 《金融工程2023年度投资策略：拨云见日终有时》

2. 《金融工程2024年度策略：小盘股为帆，AI量化掌舵》

3. 《金融工程2025年度策略：LLM破局Alpha困境，拥抱Beta大时代》