• 高频波动率拆分研究发现：“系统波动+特质波动”拆分在高频维度无有效选股能力，且在剔除市值、换手、反转等常见因子后表现更差；而“上行波动+下行波动”拆分下的高频上行波动占比因子表现较优，1分钟频率下因子月均IC为-0.083，ICIR为-3.9，月度多空收益达到1.89% [page::0][page::5][page::6][page::8]。

• 上行波动占比分组特征分析表明，该因子与市值和换手率因子相关性较强，但其选股能力并非完全来源于市值因子，且与日级别特异度因子和反转因子相关性较低，显示该因子捕捉了股票价格短期大幅拉升的特质，是一种有效的高频选股信号 [page::7]

• 多因子模型中加入上行波动占比因子显著提升模型表现，2012-2017年1分钟版本改进模型复合IC提升至0.109，月度胜率提升至87.9%，月度多空收益4.20%，TOP100组合年化收益增加至50.5%，信息比率提升至2.861 [page::10]

• 不同频率下因子权重分配显示，1分钟上行波动占比因子平均权重约10%，5分钟和10分钟因子权重分别约5%和3%-5%，对应频率因子选股效果差异体现权重变化 [page::11]

• Fama-MacBeth回归分析显示新增1分钟上行波动占比因子月均溢价约33bp，T统计量绝对值接近7，显著性强，支持该因子具有稳健选股能力；频率变大时表现有所减弱 [page::9]

- 2017年上行波动占比因子表现稳健，除了2017年6月出现短暂失效外，其余月份IC和多空收益均实现正收益，但单因子组合表现不佳，累计收益为-13.25%，建议以多因子方式使用该因子以获得更稳健收益[page::12]

• 风险提示：本策略面临市场系统性风险、资产流动性风险及政策变动风险，投资者需注意相关风险影响[page::0][page::12]

报告详尽分析：选股因子系列研究（二十五）——高频因子之已实现波动分解

---

1. 元数据与报告概览

报告标题：选股因子系列研究（二十五）——高频因子之已实现波动分解
分析师：冯佳睿、袁林青
发布机构：海通证券股份有限公司研究所
发布日期：2017年
研究主题：股票高频收益波动率因子的分解研究及其选股能力分析，重点探讨“系统波动+特质波动”与“上行波动+下行波动”两种拆分方式，挖掘高频波动中的有效选股因子，提升多因子模型表现。

报告核心论点：

• 高频股票收益波动的传统拆分类别（系统波动与特质波动）在分钟级别频率下选股效果较弱，随着数据频率降低至日级别，效果有所恢复。

- 以“上行波动+下行波动”的拆分方式能够从高频收益数据中提取出有效的选股因子——尤其是“上行波动占比”因子表现优异。

• “上行波动占比”因子即使在剔除多种已知传统选股因子（正交处理）后，依然表现出显著的选股能力，且其选股效果随着数据频率提高而增强。

- 将该因子纳入多因子模型能显著提升模型的IC（信息系数）、ICIR（信息比率）、多空组合收益率以及因子权重表现。

• 报告也指出市场风险、流动性风险及政策风险对策略风险的潜在影响。

总的来说，报告通过深入的实证分析表明，选取高频数据进行波动拆分并利用“上行波动占比”构建高频选股因子，有助于提升量化选股策略的效能。[page::0,4]

---

2. 逐节深度解读

2.1 相关背景及研究目的（导言）

报告承接了之前的系列研究，确认了股票高频偏度在因子选股中的有效性，但高频方差和峰度未展示明显的选股能力。同时日频波动率因子同样表现不佳，但拆分为系统波动与特质波动后取得较好效果。本报告由此尝试对高频波动率进行拆分，寻求更具说明力的高频选股因子。[page::0,4]

---

2.2 高频波动率的拆分（第1章）

2.2.1 “系统波动 + 特质波动”拆分（1.1节）

• 方法论：利用Fama-French三因子模型在高频（1分、5分、10分）收益序列进行回归，分离系统收益与特质收益。分别计算系统波动与特质波动的平方根累积值。

- 结果：
- 高频频率越高，特质波动因子的选股效果越差（表1展示1分钟频率下，特质波动Rank IC为-0.034，多空收益0.25%；而5分、10分频率时有略微改善）。
- 高频特异度因子（特质波动占总波动比）在高频下也无选股效果，但在日频级别选股效果稳定。

• 逻辑解释：高频数据噪声较大，导致“系统波动+特质波动”拆分下的因子信号被稀释或模糊。

- 图1：高频特质波动率因子分组收益特征示意，三个频率条件下特质波动因子分组收益整体趋同，说明高频分离下信号不明显。[page::4,5]

2.2.2 “上行波动 + 下行波动”拆分（1.2节）

• 定义：

- 高频上行波动 = 只计算正收益部分收益率的平方累计后开方。
- 高频下行波动 = 同理计算负收益部分。
- 上行波动占比 = 正收益平方累计 / 总收益平方累计。

• 结果（表2）：

- 上行波动及上行波动占比因子表现明显优于“系统+特质”拆分。
- 以1分钟数据为例，上行波动占比Rank IC达到-0.083，ICIR达到-3.902，月度多空收益1.89%。

• 因子经济含义：短期大幅拉升（高上行波动）更容易导致收益反转，故预期表现较差。

- 图2：显示不同数据频率下，上行波动占比因子的分组收益随组别递增单调降低，验证了因子的反转信号。

• 频率影响：随着数据频率提高，指标区分度增强。

- 分组分析（1.3节）：
- 图3表明，上行波动占比与换手率和市值有相关性，因子多头组多为大市值及低换手率股票。
- 与反转因子以及日级别特异度因子相关性较低，说明该因子捕捉了独立的风险收益特征。

• 总结：上行波动占比能挖掘高频数据中的强烈选股信号，显示其在高频选股因子中的独特价值。[page::5,6,7]

---

2.3 因子正交分析（第2章）

• 目的：检查新构造的高频因子是否与传统选股因子存在冗余关系。

- 方法：剔除行业、市值、非线性市值、换手、反转、特异度、估值、成长及盈利等因子影响，对新因子进行正交处理。

• 结果：

- “系统波动+特质波动”拆分后的因子正交后几乎无选股能力（表3，Rank IC及ICIR指标均接近零）。
- “上行波动+下行波动”拆分中，上行波动占比因子正交后依旧保持显著的负相关选股能力（表4中1分钟数据的Rank IC为-0.038，ICIR为-3.665，多空收益0.92%）。

• 结论：唯一值得纳入多因子模型的是上行波动占比因子，且该因子具备独立的选股信息，不依赖于传统因子表达的风险特征。

- 选股效果随数据频率递增，表明高频数据更好地捕捉到了相关的价格拉升特征。[page::8,9]

---

2.4 多因子模型对比分析（第3章）

3.1 Fama-MacBeth回归（3.1节）

• 设计：基于2012年1月至2017年7月的数据，对原始多因子模型与加入上行波动占比因子（1分钟、5分钟、10分钟）的改进模型进行回归。

- 结果（表5）：
- 新增因子显著，1分钟频率下T统计量-6.99，表明稳健的选股能力；加入因子后原有因子的月均溢价和显著性无明显负面影响。
- 频率越高，新增因子表现越强。

• 比较：1分钟数据下，新增因子月均溢价33bp，相较于市值因子月均溢价72bp和反转因子51bp，显示其有一定的补充价值。

3.2 复合因子及选股组合表现（3.2节）

• 表6对比原始模型与改进模型多方面指标（复合IC、ICIR、月度胜率、多空收益、年化收益和信息比率）。

- 发现：
- 加入1分钟上行波动占比因子后，复合IC从0.104提升到0.109，月度胜率由84.8%提升至87.9%，多空收益也略有改善。
- TOP100选股组合收益年化由49.0%提升至50.5%，信息比率增加至2.861。

• 结论：加入高频上行波动占比因子整体提升了多因子模型选股效果，尤其对于极端收益和风险控制有正面贡献。

3.3 因子权重分配（3.3节）

• 图4～6：

- 1分钟因子权重约占10%，市值权重15%至30%，换手和反转因子也有较高权重。
- 5分钟和10分钟新因子权重明显较低（5%和3%至5%）。

• 说明：因子效能决定权重，1分钟频率因子因表现优异占比相对较大。

[page::9,10,11]

---

2.5 因子2017年表现（第4章）

• 表7月份逐项列示2017年1月至7月的多空收益率与因子IC。

- 表现特点：因子多月表现稳定分化，仅6月份出现选股失效（负多空收益和负IC）。

• 限制：尽管因子在区分股票收益方面表现良好，单因子构建的多头组合累计收益仍为负（TOP10%多头组合收益为-13.25%），显示单因子投机应用有局限。

- 推断：该因子更适合作为多因子模型中的辅助因子，而非独立单因子策略。

[page::11,12]

---

2.6 总结与风险提示（第5章与第6章）

• 总结：

- 高频因子“系统波动+特质波动”拆分方式不可行，但“上行波动+下行波动”拆分的上行波动占比因子是有效的高频选股因子。
- 该因子在剔除传统因子影响后仍表现显著，能提升多因子模型整体表现。

• 风险提示：

- 报告明确指出市场系统性风险、资产流动性风险以及政策变动风险会对策略表现造成重大影响，投资者需谨慎考量。

[page::12]

---

3. 图表深度解读

表1：“系统波动 + 特质波动”拆分因子月度选股效果

| 数据频率 | 指标 | 高频特质波动 | 高频系统波动 | 高频特异度 |
|----------|---------------|--------------|--------------|------------|
| 1分钟 | Rank IC | -0.034 | -0.070 | 0.044 |
| | ICIR | -0.886 | -1.434 | 0.986 |
| | IC为正比例 | 37.8% | 32.2% | 64.4% |
| | 多空收益率 | 0.25% | 1.48% | 1.28% |
| 5分钟 | Rank IC | -0.062 | -0.063 | 0.007 |
| | ICIR | -1.427 | -1.207 | 0.161 |
| | IC为正比例 | 31.1% | 34.4% | 53.3% |
| | 多空收益率 | 0.93% | 1.06% | 0.35% |

解读：总体而言，特质波动与系统波动因子均出现负的Rank IC和ICIR，且多数月份IC为正比例远低于50%。说明这种拆分方式在高频层面识别的信号较弱。多空收益较低且不稳定，尤其特质波动最低。10分钟数据虽有小幅回升，但仍表现差强人意。

联系文本：作者指出该拆分方式不适合高频数据，但随着数据间隔增大，选股效果有改善（暗示数据频率影响较大）。

---

图1： 高频特质波动率因子分组收益特征

• 三条曲线分别代表1分钟、5分钟、10分钟周期，横坐标为因子分位数组，纵轴为该组后续收益。

- 曲线呈现先升后降形态，收益多集中在中间分组，极端组表现平平。

• 三个频率的表现大体类似，无显著优异的分组收益差异。

解读：该图形象说明高频特质波动率因子的分层效果有限，分组后的未来收益差异小。

---

表2：“上行波动 + 下行波动”拆分因子选股效果

| 数据频率 | 指标 | 高频上行波动 | 高频下行波动 | 高频上行波动占比 |
|----------|---------------|--------------|--------------|------------------|
| 1分钟 | Rank IC | -0.047 | -0.028 | -0.083 |
| | ICIR | -1.201 | -0.716 | -3.902 |
| | IC为正比例 | 32.2% | 45.6% | 13.3% |
| | 多空收益率 | 0.59% | 0.12% | 1.89% |
| 5分钟 | Rank IC | -0.077 | -0.054 | -0.080 |
| | ICIR | -1.731 | -1.115 | -3.304 |
| | IC为正比例 | 30.0% | 35.6% | 20.0% |
| | 多空收益率 | 1.22% | 0.70% | 1.73% |

解读：

• 上行波动占比指标的IC、ICIR均显著优于上行或下行波动本身，表明占比度量更好提炼了选股信息。

- 指标均为负值，暗示上行波动占比与未来收益存在负相关关系，即“更高的上行波动占比预示更差的未来收益”。

• 多空收益率亦体现了该趋势，1分钟频率下达到1.89%，具有实际选股意义。

---

图2：上行波动占比因子分组收益特征

• 三条曲线均单调下降，说明因子越高（波动占比越大）的组合未来表现越差，确认了负向关系。

- 不同数据频率下表现趋势一致，数据频率越高，分辨率越明显。

---

图3：上行波动占比分组特征

• 多条曲线体现了不同分组的市值、反转、换手率、特异度及未来收益。

- 注：因子多头组合（第1组）对应大市值、低换手率股票，且反转和特异度变化不明显。

• 说明：因子和换手率及市值相关，但剔除市值影响后多空效果不能归因于市值。

---

表3、4：正交后因子选股效果表

• 表3（系统+特质正交）IC和多空收益普遍减弱，接近无效水平。

- 表4（上行+下行正交）上行波动占比还保持一定负相关和多空收益，特别是1分钟频率，ICIR为-3.665，月度多空收益0.92%。

---

表5：Fama-MacBeth 回归结果

• 新增因子T统计量在1分钟频率下达到-6.99，显示极高显著性。

- 原有因子统计量相对稳定，说明新增因子不会对原因子造成干扰。

• 月均溢价显示新增因子贡献约33bp，虽低于市值因子72bp，但仍有较强实用价值。

---

表6：多因子合成模型效果对比

• 信息系数提高0.005，月度胜率提高3.1%，月度多空收益提高0.14%。

- TOP100组合年化收益和信息比率均提升，表明实盘选股能力增强。

---

图4-6：多因子模型因子权重分配

• 1分钟上行波动占比因子权重稳定在约10%水平，显示其在模型中的重要性。

- 5分钟和10分钟对应因子权重明显较低，反映出其实用价值较弱。

---

表7：2017年上行波动占比因子每月表现

• 多数月份信息系数正向且多空收益正向，如6月表现尤为突出（因子IC=0.182，多空收益3.75%）。

- 唯独2017年5月因子失效，IC和多空收益为负。

• 持续性表现良好但单因子净收益为负，提示其更适合作为多因子系统组成部分而非独立策略。

---

4. 估值分析

本报告属量化因子研究性质，无直接估值模型，如现金流折现等，故未涉及估值方法。

---

5. 风险因素评估

• 市场系统性风险：整体市场波动或崩跌会导致策略表现大幅波动。

- 资产流动性风险：高频数据依赖市场流动性，流动性紧张时因子表现可能失效。

• 政策变动风险：政策收紧可能影响整体量化策略有效性及市场结构。

报告未详述缓解措施，但暗示投资需谨慎，建议结合风险管理指标。

[page::0,12]

---

6. 审慎视角与细微之处

• 数据频率选择影响显著：因子选股成功率随数据间隔缩短提升，表明短周期高频数据能捕获更多有效信息，但过短的数据可能包含更多噪音，风险不可忽视。

- 负Rank IC与因子应用：因子平均呈负相关，强调因子方向性为反转特性，使用时需明确策略构建逻辑，避免误用。

• 单因子策略表现不佳：尽管因子具有统计意义，报告清楚指出该因子不能独立形成收益，反映了金融因子研究中常见的多因子组合优势。

- 报告未涉及其他潜在风险：如样本内外测试差异、过拟合风险，以及高频数据的版权与清洗等潜在障碍未作讨论。

---

7. 结论性综合

本报告系统研究了股票高频收益波动率的拆分及其选股表现，通过“系统波动+特质波动”与“上行波动+下行波动”两种方式对比发现：

• 高频层面传统拆分方式没有带来预期的选股信号，特质波动在高频表现尤为弱势；

- “上行波动占比”这一创新因子在高频段表现显著，其反转性质明显，是基于高频大幅拉升特征的有效选股信号；

• 正交分析及多因子回归研究确认该因子具备独立信息价值，纳入多因子模型可全方位提升IC、胜率及组合收益；

- 1分钟频率的数据对因子表现提升最为显著，使其在实际选股模型中占据约10%权重；

• 因子仍须与传统因子结合使用，单因子虽有统计优势，但无法形成独立正收益；

- 该研究为构建融合高频信息的量化选股模型提供了重要新思路，同时提示仍需警惕市场风险及流动性风险。

综上，报告合理运用统计学方法、因子正交及多因子实盘模拟，给出强有力的实证支持，展现了“高频上行波动占比”因子在选股体系中的潜力和实际意义。

---

图表示意展示

• 图1 高频特质波动率因子分组收益特征

• 图2 上行波动占比因子分组收益特征

• 图3 上行波动占比分组特征

• 图4 加入1分钟上行波动占比的改进模型因子权重分配情况

• 图5 加入5分钟上行波动占比的改进模型因子权重分配情况

• 图6 加入10分钟上行波动占比的改进模型因子权重分配情况

---

以上为本报告的极其详尽与全面的剖析解读，涵盖了报告的背景、方法论、数据解读、因子构建、实证检验、多因子集成以及风险因素，所列图表均已详细解析与对应说明，确保对该选股因子研究有深入透彻理解。[page::0-12]

报告