多層次訂單失衡及訂單斜率因子

1、目錄 HYPERLINK l _TOC_250014 一、多層次訂單失衡及訂單斜率因子定義和投資邏輯 1 HYPERLINK l _TOC_250013 、多層次訂單失衡及訂單斜率因子簡介 1 HYPERLINK l _TOC_250012 、多層次訂單失衡及訂單斜率投資邏輯 3 HYPERLINK l _TOC_250011 二、高頻轉(zhuǎn)低頻的方法和邏輯 4 HYPERLINK l _TOC_250010 、高頻量價因子轉(zhuǎn)低頻的構(gòu)造方法 4 HYPERLINK l _TOC_250009 、高頻和低頻因子分析 5 HYPERLINK l _TOC_250008 、高頻訂單失衡 OFI1 因子高

2、頻和低頻 IC 對比 5 HYPERLINK l _TOC_250007 、高頻訂單失衡 OFI1 因子低頻特征分析 5 HYPERLINK l _TOC_250006 、多層次訂單失衡及訂單斜率因子低頻 IC 分析 7 HYPERLINK l _TOC_250005 三、訂單失衡因子及斜率因子和常用因子的相關(guān)性 7 HYPERLINK l _TOC_250004 四、訂單失衡因子及斜率因子測試結(jié)果 8 HYPERLINK l _TOC_250003 、訂單失衡因子選股效果 9 HYPERLINK l _TOC_250002 、訂單斜率因子選股效果 12 HYPERLINK l _TOC_25

3、0001 五、總結(jié)和思考 13 HYPERLINK l _TOC_250000 參考文獻 13圖表目錄圖 1： OFI 因子的解釋 2圖 2： LogquoteSlope 因子的解釋 3圖 3： 月頻 OFI1 因子的十分位選股效果 6圖 4： OFI1 因子負向異動與下月股票表現(xiàn) 6圖 5： OFI1 因子正向異動與下月股票表現(xiàn) 7圖 6： OFI1 因子選股效果 9圖 7： OFI2 因子選股效果 9圖 8： OFI3 因子選股效果 10圖 9： OFI4 因子選股效果 10圖 10： OFI5 因子選股效果 11圖 11： MOFI 因子選股效果 11圖 12： _因子選股效果 12圖

4、13： 因子選股效果 12表 1： 高頻量價因子和低頻因子的 IC 對照表 5表 2： 高頻量價因子月頻 IC 對照表 7表 3： 買賣報單流動性因子和常用因子的相關(guān)性 8一、多層次訂單失衡及訂單斜率因子定義和投資邏輯、 多層次訂單失衡及訂單斜率因子簡介在現(xiàn)代金融市場，交易大部分是通過限價委托訂單（limit order book）的形式來完成。由于股票的任何一筆成交價格都是買賣雙方撮合的結(jié)果，因此，委托訂單的買賣價和買賣量直接影響到成交價格的變化。具體而言，如果有投資者擇機逢低買入，即股票的買壓（買方力量）較大，那么股票在價格低位的成交量相對較大，反之賣壓（賣方力量）較大，則股票在價格高位的

5、成交量較大。所以，我們可以根據(jù)股票價格和成交量的關(guān)系去捕捉股票的買壓和賣壓。本文基于盤口數(shù)據(jù)來分析訂單失衡所帶來的對股價短期和長期的影響。具體而言，通過度量不同檔位買賣價格和買賣量變化背后的訂單影響，可以更準確地量化訂單失衡對股價的短期和長期影響。所構(gòu)造的訂單失衡指標可以反映多空雙方的主動買賣意愿以及力量抗衡狀態(tài)。此外，本文還構(gòu)造了訂單斜率指標，用以衡量訂單價格變化對訂單量變化的敏感性，從另一個角度來提供高頻流動性的衡量標準。多層次訂單失衡因子的具體構(gòu)建過程如下： = 1和分別為 t 時刻的買一價和賣一價，和分別是 t 時刻的買一和賣一的委托量。與之前定義的因子不同，在 t 時刻， 因子將當買

6、一價下降和賣一價上升時的訂單影響定義為 0，而將訂單的影響定義為負向 t-1 時刻買賣委托量。這相當于考慮了 t-1 時刻到 t 時刻間買賣訂單取消或移動的變化量，有利于充分把握訂單變化信息。下圖舉例對因子進行說明。在 n 時刻，賣一價為，買一價為，此時，中間價為 ，且最中間的紅+1藍柱子分別表示賣一量和買一量。在 n+1 時刻，從賣價端的角度，原賣一量被取消，賣一價上漲至 ，中間價上漲至+1。此時，賣價端的訂單失衡為負向 n 時刻的賣一量，而從(1)因子總體來看，賣家端對價格的影響為正向 n 時刻的賣一量。而從買家端的角度，買一價不變，即= ，此時，買價端訂單失衡為 n+1 時刻的買一量減去

7、 n 時刻的買一量。+1金融工程深度報告圖 1： OFI 因子的解釋數(shù)據(jù)來源：wind、在傳統(tǒng)的 VOI 計算的基礎(chǔ)上，將指標擴展到不同檔位下進行計算，得到()i=1,2,3,4,5分別衡量第 i 檔下的訂單失衡的潛在影響程度，避免遺漏掉很多有價值的信息。為充分整合利用盤口數(shù)據(jù)信息，我們對不同因子進行了合成，得到5 = () , = 1,2,3,4,5=1因子是對不同檔位的因子進行等權(quán)求和得到的，度量了各個檔位訂單失衡的簡單累積影響。進一步地，經(jīng)過后面檢測發(fā)現(xiàn)高檔位的因子選股效果更優(yōu)，因此第五檔的信息含量最高，第一檔的信息含量最低，我們提出利用衰減加權(quán)的方式對因子進行求和，得到=, ()_ ,

8、 = 5, = 1,2,3,4,5最后我們看下訂單斜率因子，訂單斜率因子的具體構(gòu)建過程如下：= log() log()() + ()衡量 k 時刻的訂單斜率。其中， 和 分別表示賣一價和買一價， 和分別表示賣一量和買一量。訂單斜率因子衡量的是訂單價差對訂單量差的敏感度，同時訂單量考慮了訂單的方向，假設(shè)賣金融工程深度報告為正，買為負，因此賣一量為，買一量為 。另一方面，考慮到和 買賣價格的序列并不是正態(tài)分布的，因此，通過取對數(shù)得到log() 和 log()，能夠讓價格序列接近正態(tài)分布，增加因子的平穩(wěn)性。同樣，訂單量也采用對數(shù)的形式，買量定義為() ，賣量為()。具體形象化表述參考圖 2。圖 2：

9、 LogquoteSlope 因子的解釋數(shù)據(jù)來源：wind、與 OFI 因子類似，我們也可以將指標擴展到不同檔位下進行計算，得到()i=1,2,3,4,5分別衡量第 i 檔下的訂單斜率的潛在信息，避免遺漏掉很多有價值的信息。同時，參考因子的構(gòu)建思路，構(gòu)造出和。、多層次訂單失衡及訂單斜率投資邏輯多層次訂單失衡因子邏輯分析如下：限價訂單簿（LOB）允許任何交易者成為金融市場中的做市商。交易者可以針對資產(chǎn)和他們希望支付（接收）的價格提交限價買入（賣出）訂單，其中蘊含著豐富的信息。將交易量分類為出價（要價）使我們能夠洞悉即將到來的價格變化的方向。為了量化這種交易意圖，我們計算出買賣量之間的差異，即訂單

10、失衡。訂單失衡是一個重要的信號，它使我們能夠了解市場的總體情緒和方向。知情交易者鑒于正面（負面）消息或交易者根據(jù)市場情緒的好壞，他們將會決定持有多頭（或空頭）頭寸，從而增加資產(chǎn)的不平衡。由于不同時刻知情交易者擁有信息的準確性程度不同和市場交易情緒不同，其訂單不平衡程度也有所差異。如果能夠在限價訂單簿金融工程深度報告中觀察到此現(xiàn)象，市場參與者將能夠使用此信息并制定策略以獲得正向收益。不同檔位的訂單信息包含的信息不同，因此，我們區(qū)分了不同檔位下的訂單失衡。買賣盤訂單壓力失衡對個股股價有較大影響，但在短期和中長期影響不同。短期內(nèi)，在買壓占優(yōu)（訂單失衡為正）情況下個股會呈現(xiàn)明顯的正向收益；在賣壓占優(yōu)（

11、訂單失衡為負）情況下個股會呈現(xiàn)明顯的負向收益；而在中長期，當買賣壓力失衡消失后，股票的超額收益會出現(xiàn)均值回復(fù)，這意味著買賣壓力失衡帶來的超額收益僅僅為短期沖擊影響，后期股價會逐步恢復(fù)到原狀態(tài)。我們所構(gòu)造的因子在高頻上是推動價格的正向驅(qū)動力。因此在高頻頻上，我們預(yù)期因子越大，未來短期價格上升的概率越大。而在低頻上， 因子是一段時間內(nèi)訂單失衡量的累積值，對股價的影響不大。因此，我們預(yù)期因子和長期股價的相關(guān)性不大。與因子的投資邏輯相似， 因子和_因子是對各檔位上的因子進行信息整合，以得到加權(quán)復(fù)合角度的訂單失衡因子。訂單斜率因子邏輯分析如下：訂單斜率因子其實是一種流動性因子，因子值越大，代表買賣價差越

12、大或者訂單量約薄，表明股票的流動性越差,因此其長期具有流動性風(fēng)險溢價，長期表現(xiàn)越好。二、高頻轉(zhuǎn)低頻的方法和邏輯、高頻量價因子轉(zhuǎn)低頻的構(gòu)造方法和之前報告保持一致，我們采用下面的具體流程把高頻因子轉(zhuǎn)為我們常用的月度低頻選股因子。首先，我們采取等權(quán)的方式將分鐘因子轉(zhuǎn)換成日因子，具體公式如下所示：Factorj,k= Factori,j,kN其中 N 為第 j 天總共的分鐘數(shù)。其次，由于各股盤口掛單強弱受到市場總體走勢的影響，因此，為了剔除市場趨勢的影響，我們對日頻因子進行標準化處理。具體的計算公式為：Factorj,k= Factorj,k _Factorj,k_Factorj,k其中，,為股票 k

13、 第 j 天的因子值，_,為橫截面因子均值，_,表示橫截面因子標準差。最后，考慮到信息的時效性，距離調(diào)倉日越遠其信息的有效性越弱，因此用衰減加權(quán)的方法對日因子加權(quán)。即按距離最后一個交易日的時間遠近加權(quán)將日因子轉(zhuǎn)換成月因子。具體的計算公式為：金融工程深度報告Factorj=1jj Factorj,k n=1 n=1其中，n 為當月交易日天數(shù)，j 為當月的第 j 個交易日。、高頻和低頻因子分析、高頻訂單失衡 OFI1 因子高頻和低頻 IC 對比由表 1 可以看出，高頻的 OFI1 因子符合之前構(gòu)造因子的邏輯，即訂單失衡因子與收益率顯著正相關(guān)，然而將高頻量價因子降頻后，訂單失衡的因子有效性已經(jīng)衰減為

14、 0，這也符合我們前面的分析邏輯。表 1： 高頻量價因子和低頻因子的 IC 對照表因子OFI1分鐘 IC 均值15.70%月頻 IC 均值-0.08%數(shù)據(jù)來源：wind、天軟科技、高頻訂單失衡 OFI1 因子低頻特征分析下圖是 OFI1 因子十分位的年化收益，我們發(fā)現(xiàn)出現(xiàn)明顯的中間強兩頭弱的現(xiàn)象。因此對于 OFI 類因子我們應(yīng)該對其求絕對值以獲取打分在中間的股票。金融工程深度報告圖 3： 月頻 OFI1 因子的十分位選股效果OFI1各分位年化收益%16 Q10Q9Q8Q7Q6Q5Q4Q3Q2Q114 121086420-2-4-6 數(shù)據(jù)來源：wind、下面我們看下為什么 Q1 和 Q10 兩頭

15、的股票表現(xiàn)比較差，我們舉兩個例子來看下極端因子異動對于未來股票價格走勢的影響。下圖展示了高頻訂單失衡 OFI1 因子負向異動與下月股票表現(xiàn)的關(guān)系。左圖是 2019 年 12月股票 A 的日頻因子分布圖，我們可以看到從 2019 年 12 月 23 日起股票 A 出現(xiàn)明顯的訂單失衡負向異動，OFI因子從 0 附近驟降為-31。右圖展示了該股票在下月的表現(xiàn)，出現(xiàn)了大幅的下跌。這說明 OFI 因子的負向異動對股票下一個月的下跌有一定的預(yù)示作用。圖 4： OFI1 因子負向異動與下月股票表現(xiàn)數(shù)據(jù)來源：wind、下圖展示了高頻訂單失衡 OFI1 因子正向異動與下月股票表現(xiàn)的關(guān)系。左圖是 2018 年 1

16、1 月股票 B 的日頻因子分布圖，我們可以看到從 2018 年 11 月 26 日起股票 B 出現(xiàn)明顯的訂單失衡正向異動，OFI 因子從 0 附近驟增為 9。右圖展示了該股票在下月的表現(xiàn)，出現(xiàn)了大幅的下跌。這說明 OFI 因子出現(xiàn)正向異動的股票下一個金融工程深度報告月也會出現(xiàn)大幅下跌。圖 5： OFI1 因子正向異動與下月股票表現(xiàn)數(shù)據(jù)來源：wind、多層次訂單失衡及訂單斜率因子低頻 IC 分析由上節(jié)可以看出，OFI 類因子會有明顯的中間強兩頭弱的現(xiàn)象，因此我們對 OFI 因子取絕對值。從下表可以看出，取了絕對值的 OFI 類因子的月頻 IC 均值均顯著為負，并且月頻 IC 均值隨著訂單檔位的提

17、高而不斷提升，這和我們上篇報告的 SOIR 因子一樣，表明對于訂單不平衡類因子來說，高檔位的信息在長期來看越有效果，因此我們在對五檔因子做加權(quán)時，需要對高檔位的因子給與更多的權(quán)重。最后， 因子的月頻 IC 顯著為正，這也是符合我們之前的邏輯，在長期上有流動性溢價。表 2： 高頻量價因子月頻 IC 對照表數(shù)據(jù)來源：wind、天軟科技、三、訂單失衡因子及斜率因子和常用因子的相關(guān)性下面我們看下訂單失衡因子及斜率因子和傳統(tǒng)因子的相關(guān)性，我們檢測了 OFI 類因子以及 LogQuoteSlope因子和常用選股因子的因子值平均相關(guān)系數(shù)如下表。OFI 類因子和動量類因子（Momentum_1m、Moment

18、um_3m）的相關(guān)性較高。同時，LogQuoteSlope 因子和盈利類因子（ROE_TIM、ROA_TIM、ROIC_TIM）的相關(guān)性很高。因此，對于這些因子的處理需要做市值中性處理。另外， LogQuoteSlope 因子和一個月?lián)Q手率（AmountAvg_1M）的相關(guān)性也較高，因此后面 LogQuoteSlope因子可以對 AmountAvg_1M 做中性化處理。最后，我們檢測到 OFI 類因子間的相關(guān)性較強，說明各個 OFI 類因子包含的信息較為相近。表 3： 買賣報單流動性因子和常用因子的相關(guān)性O(shè)FI1OFI2OFI3OFI4OFI5MOFIMOFI_WeightLogQuoteSl

19、opeEP_TTM0.330.320.300.280.260.330.30-0.37BP_LR0.250.290.290.290.290.320.300.34SP_TTM0.260.280.260.260.250.300.280.18Earnings_SQ_YoY0.03-0.03-0.06-0.11-0.10-0.07-0.08-0.52Sales_SQ_YoY-0.07-0.10-0.10-0.14-0.12-0.15-0.13-0.62ROE_SQ_YoY0.130.070.04-0.03-0.050.020.00-0.51ROE_TTM0.230.170.170.140.110.170

20、.15-0.68ROA_TTM0.090.020.030.00-0.010.020.01-0.72ROIC_TTM0.120.050.050.020.000.050.04-0.71Momentum_1m0.550.600.540.450.400.540.500.00Momentum_3m0.510.530.480.380.350.480.44-0.18Momentum_6m0.460.460.430.370.330.430.41-0.37Momentum_12m0.440.430.390.310.280.380.35-0.42Momentum_24m0.100.100.05-0.03-0.03

21、0.020.01-0.43LnFloatCap0.380.450.480.450.450.450.46-0.68AmountAvg_1M0.240.390.460.460.480.400.45-0.83TurnoverAvg1M-0.22-0.11-0.05-0.03-0.01-0.12-0.05-0.16TurnoverAvg3M-0.34-0.22-0.15-0.13-0.09-0.23-0.16-0.14TurnoverAvg6M-0.37-0.27-0.20-0.16-0.13-0.27-0.20-0.14Volatility1M-0.25-0.14-0.07-0.05-0.01-0.

22、15-0.09-0.16Volatility3M-0.34-0.22-0.15-0.11-0.06-0.22-0.15-0.18Volatility6M-0.40-0.28-0.20-0.13-0.08-0.27-0.18-0.21Beta_100W-0.13-0.09-0.010.060.09-0.010.040.02OFI11.000.900.780.670.560.850.75-0.05OFI20.901.000.970.890.820.970.94-0.11OFI30.780.971.000.960.900.980.98-0.17OFI40.670.890.961.000.970.95

23、0.99-0.16OFI50.560.820.900.971.000.890.95-0.17MOFI0.850.970.980.950.891.000.98-0.12MOFI_Weight0.750.940.980.990.950.981.00-0.16LogQuoteSlope-0.05-0.11-0.17-0.16-0.17-0.12-0.161.00數(shù)據(jù)來源：wind、天軟科技、四、訂單失衡因子及斜率因子測試結(jié)果然后我們對訂單失衡因子及斜率因子進行單因子分析（包括月度 IC 分析和多空收益分析）。具體回測時間為最近 5 年（2014 年 12 月-2020 年 10 月），樣本池為全市場

24、，每月底剔除停牌、一字板、上市未滿半年和 ST股票，月頻調(diào)倉。因子做了極值處理（剔除 3 倍標準差之外的樣本）和缺失值處理（直接剔除）。OFI1、OFI2 和 LogQuoteSlope 因子做了市值和行業(yè)中性化處理，組合的多空收益分位數(shù)為 10 分位。、訂單失衡因子選股效果首先是1因子的效果，因子 IC 均值-3.26%，年化 IR -1.74，年化多空收益 17.07%，夏普比率 1.93。下圖是因子的 IC 分析統(tǒng)計、多空組合分析統(tǒng)計和因子多空累計凈值。圖 6： OFI1 因子選股效果數(shù)據(jù)來源：wind、天軟科技、2因子的效果，因子 IC 均值-4.11%，年化 IR -2.25，年化多

25、空收益 16.36%，夏普比率 1.99。圖 7： OFI2 因子選股效果數(shù)據(jù)來源：wind、天軟科技、3因子的效果，因子 IC 均值-4.71%，年化 IR -2.51，年化多空收益 20.28%，夏普比率 2.2。圖 8： OFI3 因子選股效果數(shù)據(jù)來源：wind、天軟科技、4因子的效果，因子 IC 均值-4.64%，年化 IR -2.48，年化多空收益 19.81%，夏普比率 2.2。圖 9： OFI4 因子選股效果數(shù)據(jù)來源：wind、天軟科技、5因子的效果，因子 IC 均值-5.06%，年化 IR -2.60，年化多空收益 21.11%，夏普比率 2.31。金融工程深度報告圖 10：

26、OFI5 因子選股效果數(shù)據(jù)來源：wind、天軟科技、因子的效果，因子 IC 均值-4.45%，年化 IR -2.40，年化多空收益 19.09%，夏普比率 2.01。圖 11： MOFI 因子選股效果數(shù)據(jù)來源：wind、天軟科技、_因子的效果，因子 IC 均值-4.76%，年化 IR -2.55，年化多空收益 21.68%，夏普比率 2.1。圖 12： _因子選股效果數(shù)據(jù)來源：wind、天軟科技、訂單斜率因子選股效果接著我們看下因子的選股效果，因子 IC 均值 5.19%，年化 IR1.56，年化多空收益 21.09%，夏普比率 1.34，總體選股效果也非常不錯。盡管因子多空收益波動比 OFI

27、 類因子要高，但其多頭效果更好，多頭效果占多空組合的 70%以上，而 OFI 類因子的多空收益各占 50%。圖 13： 因子選股效果數(shù)據(jù)來源：wind、天軟科技、五、總結(jié)和思考限價訂單簿（LOB）是交易者多空博弈的信息來源，其中的價格與訂單量的變化都反映了交易者對于該股票未來價格變化的預(yù)期。因而在本研究中，我們將根據(jù)高頻報單數(shù)據(jù)分別建立多層次訂單失衡和訂單斜率高頻因子，最后降為月頻的低頻選股因子，在后續(xù)的因子回測中取得良好的選股效果。第一部分主要通過高頻數(shù)據(jù)構(gòu)造出多層次訂單失衡和訂單斜率因子。一方面，訂單失衡能夠反映市場的總體情緒和方向，因此，本文通過度量不同檔位價格和買賣量變化背后的訂單影響

28、，更準確地量化訂單失衡對股價的短期和長期影響。另一方面，流動性的本質(zhì)為立即交易（市價交易）與延時交易（限價交易）之間交易成本的差距，我們用訂單價格變化對訂單量變化的敏感度來衡量流動性，對前期流動性的研究進行了補充。第二部分我們采用具體轉(zhuǎn)換流程把高頻因子轉(zhuǎn)為我們常用的月度低頻選股因子。首先我們把標準化后的分鐘因子轉(zhuǎn)換成日因子，我們采用了等權(quán)的方法。然后因為股票的盤口掛單強弱受到市場總體走勢的影響，因此我們需要對各股票進行截面標準化以剔除市場對個股的影響。最后我們把日因子轉(zhuǎn)換成月因子，我們按距離每月最后一個交易日（假設(shè)為組合調(diào)倉日）的時間遠近進行加權(quán)，考慮到信息的時效性，距離調(diào)倉日越遠其信息的有效性越弱，因此用衰減加權(quán)的方法對日因子加權(quán)。進一步地，我們對高頻和低頻因子進行了 IC 分析和特征分析。結(jié)果發(fā)現(xiàn) OFI 類因子適合對其求絕對值來提升因子的多空選股能力，同時，各個因子在月頻 IC 上都表明其與股票未來一個月的收