来源：海通量化团队
高频因子在选股中的应用，我们发布过多篇报告进行探讨。本篇报告主要针对高频数据计算的大单因子，考察其在行业轮动策略中的效果。
1
行业维度大单因子的计算
1.1
因子的计算方式
在计算行业大单因子之前，需要先计算个股的大单数据。在每个交易日对于每个股票单独设定大单筛选阈值。每个交易日，各股票的大单筛选流程如下：1）基于股票买卖单成交量，计算成交量标准差；2）将成交量大于均值1倍标准差的买卖单认定为大单。个股的大单买入金额占比因子为大单买入金额/总成交金额。
行业维度的大单因子，我们总共通过3种方法计算。
1） 行业整体法：（行业内所有股票当日的大单买入金额之和）/（行业内所有股票当日的成交金额之和）；
2） 简单平均法：计算每只股票的大单买入金额占比因子，行业内所有股票的该因子进行简单平均；
3） 头部股票平均法：统计全市场大单买入金额占比排名前200的股票，将股票对应到各自所在行业，计算行业内这些股票的平均大单买入金额占比。
针对中信一级行业（旧行业分类29个行业），计算上述三个因子；针对中信二级行业（旧行业分类83个行业），计算行业整体法因子。
在每一个时间节点，通过因子进行行业筛选的时候，针对上述每一个因子，构建三种筛选方法：
1）时点数据：当前时点计算得到的因子，即为采用的最终因子；
2）滚动均值：采用过去10天的滚动数据计算因子均值，得到的为最终采用因子；
3）突破：当前的时点数据-滚动均值，得到的为最终因子。
1.2
因子的考察方式
针对每一个因子，以及每一种筛选方式，考察因子与行业收益之间的RankIC表现，以及因子选到的多头组合和空头组合的收益。（一级和二级行业均选择前/后20%的行业数量。）后文中所展示的IC数据，均为RankIC数据，统一简称为IC。因子的考察周期，分别为持有5、10、20、30、40、60个交易日的收益。
所有样本区间为2014年初至2020年1月底。
2
一级行业整体法因子
2.1
因子表现的敏感性分析
下图中，分别按照计算方法和持有期两种维度，对因子的IC以及ICIR进行汇总，考察因子的敏感性。时点数据以及突破算法，相对而言因子表现更好。从持有期角度，持有期越短，因子ICIR越高。
2.2
因子分组收益
下图中，针对时点算法和突破算法，考察因子的五分组收益。即按照因子值对所有行业进行排序，分为5组考察每一组的平均收益。当持有期为20天以上时，分组收益的单调性较差，每组之间收益差别很小。持有期越短，分组收益单调性越强。
3
一级行业简单平均法因子
3.1
因子表现的敏感性分析
下图中展示因子敏感性。与整体法因子一致，时点算法和突破算法的因子表现较好。5天持有期的因子ICIR最高。
3.2
因子分组收益
从分组收益来看，持有期较短的分组单调性更强。时点算法和突破算法比较，持有期为5天时，突破算法的单调性更优。
4
一级行业头部股票因子
4.1
因子表现的敏感性分析
采用头部股票计算行业因子，依然是时点算法和突破算法较好，5天持有期的因子ICIR最高。
4.2
因子分组收益
从单调性来看，头部股票因子的单调性较差，不如行业整体法和简单平均法单调性明显。
5
二级行业整体法因子
5.1
因子表现的敏感性分析
与一级行业不同，对于二级行业，时点数据和滚动平均算法下，因子ICIR和IC都表现更好。
5.2
因子分组收益
下图中展示了时点算法和滚动平均算法的分组收益，普遍而言，持有期为5天时分组收益单调性最强。
6
大单因子的一级行业组合
6.1
因子累计IC
对于行业组合的操作，通常而言集中在一级行业进行，一级行业的操作建议更容易与个股组合进行结合。本节主要针对一级行业，主要采用行业整体法因子，计算行业组合的表现。
在之前的分析中，发现时点算法和突破算法的因子表现更优，下图中展示了以10天为持有期计算得到的因子IC累计走势。发现在2016年之前，大单因子表现一般，但是2016年之后，因子稳定性很强，持续有效。
6.2
5日换仓行业组合
在前文的分析中我们发现，持有期较短的情况下，因子表现更为稳定，这里以持有期5天为例，主要根据突破算法因子构建组合。每5天进行调仓，选择因子排名前5的行业进行建仓。下图中展示了行业组合相对同期Wind全A的相对强弱走势以及对应的最大回撤。2次的最大回撤发生时间分别为2014年底金融股强势拉升时，以及2015年股市异常波动期间，其他时间的最大回撤在8%左右。
下表中统计了不同年度的组合收益情况以及年化收益表现。超额收益的统计分别以Wind全A和全市场等权加权行业指数两种基准进行展示。从分年度收益来看，2014年行业组合没有跑赢基准，2015年以来稳定战胜等权和市场基准。
6.3
10日换仓行业组合
将持有期调整为10天，继续考察行业组合的表现。历史上的最大回撤，发生在2015年股市异常波动期间，其他时间回撤大部分控制在8%以内。
10天换仓组合自2014年以来，每年均战胜Wind全A以及市场等权基准。年化超额收益约为10%，信息比超过1，最大回撤约为15%。
6.4
持有期对组合收益影响
下表中依然以突破算法因子为例，考察不同的持有期下，行业组合收益表现。相对而言，持有期较短时年化收益更高，但最优的持有期为10天。随着持有期拉长，年化收益会有一定幅度的下降，所以更推荐采用行业维度的大单因子指导10个交易日以内的行业操作。
6.5
持仓数量对组合收益影响
下表中以突破算法因子为例，在持有期为10个交易日的情况下，考察持仓行业数量对于行业组合收益的影响。收益计算基准为等权行业基准。持仓行业数量并非越少越好，行业数量过少，组合暴露的风险更为集中，当出现误判时组合回撤会加大。例如持仓2个行业的组合，最大回撤为-16%，而持仓10个行业的组合，最大回撤为-10%。持仓数量在4-5个时组合最优，组合年化收益约11%，信息比在1.1左右。
下图中展示不同年度，不同持仓数量组合的超额收益分布。在趋势上涨行情中，如2015、2017以及2019年，不同持仓数量的行业组合超额收益差距显著，尤其以2015年最为突出。在这些年度，数量较少的行业组合由于集中的风险暴露，通常而言超额收益位居首位。但这种行业组合在趋势下跌行情中（如2018年），同样的由于风险暴露问题，超额收益表现最差。持仓数量较多的行业，虽然年度超额收益不太能够名列前茅，但基本在各年度均能战胜指数。
7
总结
本篇报告主要针对高频数据计算的大单因子，考察其在行业轮动策略中的效果。
报告计算了三种大单因子：行业整体法大单因子；简单平均法因子；头部股票平均因子。针对每一个因子，均通过三种方式构建最终大单因子：时点数据因子，滚动均值因子，突破因子。
分别考察5、10、20、30、40、60个交易日持有期的因子表现，持有期越短，因子ICIR表现越优，分组收益单调性越强。
从因子表现来看，更推荐行业整体法因子以及简单平均法因子。从计算方式而言，绝大多数情况下，时点数据算法和突破算法的因子表现最优。从因子表现、多头组合以及多空收益来看，更推荐在一级行业层面构建组合。
通过行业整体法构建突破算法的大单因子，10天换仓组合自2014年以来，每年均战胜Wind全A以及市场等权基准。年化超额收益约为10%，信息比超过1，最大回撤约为15%。
以行业整体法下的突破算法大单因子为例，考察不同持有期行业组合收益表现。相对而言，持有期较短时年化收益更高，最优的持有期为10天。随着持有期拉长，年化收益会有一定幅度的下降，更推荐采用行业维度的大单因子指导10个交易日以内的行业操作。
以行业整体法下的突破算法大单因子为例，在持有期为10个交易日的情况下，考察持仓行业数量对于行业组合收益的影响。持仓行业数量并非越少越好，行业数量过少，组合暴露的风险更为集中，当出现误判时组合回撤会加大。例如持仓2个行业的组合，最大回撤为-16%，而持仓10个行业的组合，最大回撤为-10%。持仓数量在4-5个时组合最优，组合年化收益约11%，信息比在1.1左右。
6
风险提示
市场系统性风险、模型误设风险。
联系人：郑雅斌 021-23219395
