【广发金工】基于Level 2数据的跳跃因子

广发张钰东 2026-06-11 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

报告依托股价跳跃-扩散模型，将高频已实现波动率分解为连续积分波动率和跳跃波动。利用Level 2逐笔成交数据，通过多幂次变差估计连续波动部分，残差项即为跳跃波动率代理变量。进一步地，针对A股微观结构特征，剔除批量订单中无实质价格变动的噪声，并将跳跃按方向（正/负）、幅度（大/小程）拆分，以及与成交额数据结合，构建了跳跃波动类、跳跃累计值类和跳跃成交额关联类因子。实证表明这些因子在全市场具有显著的选股能力。

经济逻辑

股价跳跃反映了短期信息冲击和资金博弈。短时间内价格的剧烈变动（跳跃）代表新信息到达市场并迅速反映在价格中。跳跃的方向、幅度及伴随的成交活跃度反映了投资者的分歧程度和信息的不对称性。通过剥离连续波动，纯化跳跃信息，并区分“好波动”（正向跳跃）与“坏波动”（负向跳跃），能够有效刻画市场对信息的反应及过度反应，从而在截面上预测未来股价走势。

超额收益逻辑

跳跃因子通过捕捉信息冲击的密集程度和方向来获取超额收益。短期内股价的跳跃反映了未被预期的新信息。通过剔除无实质价格变动的噪声订单，因子能更纯粹地捕捉真实资金博弈的跳跃。由于A股市场对信息往往存在反应不足或过度反应，累计跳跃收益率（JSR2）和相对跳跃波动率（RRJV）能够刻画出市场情绪的积聚与分歧。做多具有正向信息冲击特征且波动结构健康的股票，做空被负面信息冲击或存在过度投机的股票，从而在截面分化中获取收益。

构造细节 [factor]

因子定义

1. 日内逐笔对数收益率: r_i = ln(P_i / P_{i-1})。2. 已实现波动率: RV = sum(r_i^2)。3. 二幂次变差: BPV = (pi/2) * sum(|r_i * r_{i-1}|)。4. 跳跃波动率: RJV = max(RV - BPV, 0)。5. 相对跳跃波动率(RRJV): RRJV = RJV / RV。6. 方向拆分: 正向跳跃RJV+ = max(r_i, 0)^2求和减去对应BPV正部，负向跳跃RJV-类似。7. 跳跃累计值(JSR2_drop): 基于泰勒展开式 r_simple = log(1+r) + 0.5*r_simple^2 + residual，取残差绝对值或平方累计作为跳跃代理，并过滤无价格变动订单。8. 跳跃成交额占比: 统计存在跳跃的订单成交额占该股票当日总成交额的比例。

处理流程

1. 获取Level 2逐笔成交数据，计算日内逐笔对数收益率序列
2. 数据清洗：识别并剔除成交价格无实质变化的批量订单（_drop版本）
3. 计算当日已实现波动率RV = sum(r_i^2)
4. 计算多幂次变差（如BPV = (pi/2) * sum(|r_i * r_{i-1}|)）作为连续波动估计
5. 提取跳跃波动分量 RJV = max(RV - BPV, 0)
6. 按收益率正负方向拆分跳跃波动，并计算相对值归一化因子（如RRJV = RJV/RV）
7. 基于泰勒展开提取跳跃累计残差（JSR2等系列）
8. 结合逐笔成交额，计算跳跃订单成交额占比及累计收益振幅
9. 将日频因子进行滚动5日或20日平滑
10. 横截面处理：剔除ST、涨跌停、次新股，进行MAD去极值与Z-Score标准化
11. 分十档回测，计算RANK_IC及多空收益

参数

平滑窗口: 5日, 20日价格变动过滤阈值: 0多幂次变差阶数: 2

数据输入

: (日内逐笔 (精确到毫秒)): (日频)

组合方式

日内逐笔特征聚合为日频因子后，采用滚动5日或20日简单加权平滑，随后进行横截面MAD去极值和Z-Score标准化处理。

绩效

7.50%

RRJV_RANK_IC(月频,20日平滑)

9.89%

JSR2_drop_RANK_IC(月频,20日平滑)

5.17%

RRJV_RANK_IC(周频,20日平滑)

40.7%

RRJV_多空年化收益(周频,20日平滑)

28.2%

RRJV_多头费后年化收益(周频,20日平滑)

8.18%

RRJV_RANK_IC(月频,5日平滑)

0.68

RRJV_ICIR(月频,5日平滑)

27.8%

RRJV_多空年化收益(月频,5日平滑)

9.77%

JSR2_drop_RANK_IC(月频,5日平滑)

0.76

JSR2_drop_ICIR(月频,5日平滑)

9.41%

振幅类因子_RANK_IC(月频,5日平滑)

基准: 全市场等权

回测期: 2020.01.01-2025.07.18

基于Level 2逐笔成交数据构建跳跃波动率、跳跃累计值、跳跃成交额关联等因子。相对绩优因子RANK_IC超过5%。月频20日平滑下，RRJV因子RANK_IC为7.50%，JSR2_drop因子RANK_IC为9.89%。周频换仓下因子IC边际下降但多空与多头收益边际提升，RRJV因子周频多空年化收益40.7%，多头费后年化收益28.2%。

收益归因

报告未对因子收益进行风格归因或风险因子中性化处理，仅展示原始因子分组收益及IC表现，未分离其他风险因子的贡献。

缺口: 缺少与Barra等常见风险模型的正交化处理，未分析因子在行业、市值等维度的暴露情况，未做纯因子收益归因。

稳健性

子样本稳定性: 报告在滚动5日和20日平滑、月频与周频换仓下均进行了测试，绩优因子RANK_IC均稳定在5%以上，表现出一定的跨频率稳定性。但未详细展示分年度子样本稳定性。

风格偏差: 未对因子进行风格中性化处理，因子可能暴露于市值、贝塔或传统波动率因子。波动类因子天然可能与流动性、换手率等微观结构因子高度相关。

因子在多频率多参数下展现了较好的基础稳健性，且剔除噪声订单(_drop)和相对值归一化对绩效有正向提升。但缺乏风险归因，无法完全确定超额收益是否由隐含风格暴露驱动。

数据依赖

所需数据: 全市场Level 2逐笔成交数据（精确到毫秒的时间戳、价格、数量、金额、买卖方向等），数据量极大。

可复现性: hard

复现需要极高的数据存储和计算资源，需处理海量逐笔Tick数据并清洗批量无实质价格变动订单。尽管数学公式清晰，但工程实现成本极高，且对底层数据质量非常敏感。

新颖性评估 [新组合]

跳跃扩散模型及非参数估计属经典学术方法，本报告创新在于将其下沉至Level 2 Tick数据，并针对A股特殊的逐笔订单结构（批量无价格变动订单）进行了特征工程改造（_drop处理），同时结合方向、相对大小和成交额占比进行多维度重构，属于数据应用深度与工程化层面的有效创新。

不足与缺陷

缺乏因子风险中性化处理与收益归因：未剥离市值、行业、流动性等常见风险因子的贡献，无法确定纯因子收益
子样本稳定性披露不足：仅展示全回测区间的统计指标，未展示分年度IC及收益曲线，无法评估因子在不同市场环境下的衰减情况
计算成本与实际滑点脱节：基于Tick计算的因子换手率较高，周频换仓下真实交易滑点可能显著侵蚀28.2%的多头收益
未探讨因子拥挤度及容量：高频微观结构因子通常容量有限，报告未分析因子多空组合的市值容量及换手限制

可复用元素

剔除无实质价格变动的批量订单（_drop）：针对A股Tick数据的微观清洗逻辑，有效过滤了虚假流动性
相对值归一化处理：将跳跃波动除以总已实现波动率（如RRJV = RJV/RV），消除了股票绝对波动率水平的量级差异
泰勒展开提取跳跃残差：提供了一种不依赖多幂次变差估计的简单跳跃代理变量构造方法

启发

跳跃本质是信息冲击的体现，可将其与新闻舆情、公告发布等外部事件数据结合，验证跳跃因子的信息驱动属性并剔除纯情绪性跳跃
微观结构跳跃可以用于改进传统量价因子（如换手率、Amihud非流动性），构建更精准的流动性测度
周频多头收益显著提升说明跳跃信息的半衰期较短，适合作为短期Alpha信号与中频基本面因子叠加

改进方向

结合订单簿不平衡(OBI)与撤单率改进跳跃因子

基于: 报告指出跳跃因子反映了信息冲击，但原始方法仅依赖成交价格变动，未区分主动成交方向及虚假挂单。A股市场存在大量幌骗行为导致价格微幅跳跃。预期收益: 通过引入Level 2快照中的10档买卖挂单比例及撤单量，过滤因流动性枯竭或幌骗导致的“伪跳跃”，可提升真信息冲击跳跃的信噪比，预计IC及ICIR可进一步提升10%-20%，并降低换手率。

复现计划

1. 采购包含毫秒级时间戳、价格、成交量的全市场Level 2逐笔成交数据；2. 构建日内逐笔对数收益率序列，并按价格是否变动生成原始和_drop两套数据集；3. 按公式实现RV和BPV计算，得出RJV，并衍生出正向、负向跳跃及RRJV（相对值）；4. 基于泰勒展开式提取残差构建JSR2_drop因子；5. 将日频因子按5日/20日滚动平滑，应用MAD去极值和Z-Score标准化；6. 在全市场股票池剔除ST、涨跌停及次新股后，分十档测试，验证周/月频下的RANK_IC和多空收益是否与报告一致。

实体

跳跃-扩散模型 [concept]已实现波动率分解 [method]多幂次变差估计 [method]Level 2逐笔成交数据 [dataset]RRJV因子(相对跳跃波动率) [factor]JSR2_drop因子(跳跃累计值,剔除无实质价格变动订单) [factor]跳跃振幅因子 [factor]跳跃成交额占比因子 [factor]Andersen et al.(2001) [person]Barndorff & Shephard(2004) [person]Bollerslev et al.(2020) [person]Jiang & Zhu(2017) [person]张钰东 [person]安宁宁 [person]陈原文 [person]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY