综合质量 4 /5
新颖性 4 /5
可复现性 4 /5
分类
技术面(量价) 日频 流动性 A股 统计线性
基于价格分解与频域分析构建流动性弹性因子，测量暂时价格向基本价值恢复的速度，在A股市场表现出显著的分层选股能力。
关键结论
2010-2022年回测期间，弹性因子在创业板多头年化收益达22.12%，超额收益9.48%，信息比0.66，各板块多头平均换手率均低于20%。
核心要点
- 将每日股价分解为基本价格成分和暂时价格成分
- 使用离散傅里叶变换将暂时价格序列转入频域
- 通过频域频谱计算暂时价格恢复的平均速度作为弹性因子
- 因子在各板块分档效果显著且换手率低，在创业板表现尤为突出
核心内容
本报告从流动性维度出发，将日频股价分解为基本成分和暂时成分。通过将暂时价格序列转换至频域，利用频谱分析计算其偏离后恢复至基本价值的平均速度，以此构建弹性因子。实证表明该因子在月频调仓下具备显著选股能力，且换手率较低。
经济逻辑
具有高弹性的股票能够迅速从订单流失衡或短暂信息冲击中恢复，意味着该股票流动性较好、风险较低，因此要求的风险溢价较低；反之，弹性差的股票恢复慢、风险高，投资者需要更高的预期收益作为补偿。
超额收益逻辑
暂时价格恢复速度慢的股票面临更高的流动性风险，因此具有较高的预期收益。通过因子分档，可甄别出恢复速度差异带来的风险溢价并进行多空对冲获取超额收益。
构造细节 [factor]
因子定义
弹性因子 = 暂时价格偏离距离 / 恢复时间。1. 股价分解：设日频收盘价对数为 $P_t$，提取基本成分 $P_t^{perm}$（如采用20日均线），则暂时成分 $Y_t = P_t - P_t^{perm}$；2. 频域转换与特征提取：对过去N天的 $Y_t$ 序列去均值后进行离散傅里叶变换(DFT)，获取功率谱密度 $S(f_k)$。计算频谱重心平均频率 $f_{mean} = \frac{\sum f_k S(f_k)}{\sum S(f_k)}$，恢复时间 $T = 1/f_{mean}$，偏离距离 $D = std(Y_t)$；3. 弹性计算：因子值 $R = D / T$。（注：研报未公开精确参数，此处依据参考文献及文意给出合理复现公式）
处理流程
- 1. 获取全市场股票日频收盘价，进行对数化处理
- 2. 股价分解：计算中长期均线（如MA20）作为基本价格，用对数收盘价减去基本价格得到暂时价格序列
- 3. 截取过去N个交易日的暂时价格序列，并进行去均值处理
- 4. 对该序列应用离散傅里叶变换(DFT)，计算对应的功率谱密度
- 5. 依据功率谱密度计算频谱重心平均频率，求其倒数作为平均恢复时间
- 6. 计算暂时价格序列的标准差作为偏离距离，距离除以时间得到弹性因子值
- 7. 因子预处理：对因子值进行MAD去极值、Z-Score标准化、行业市值中性化
参数
窗口长度N: 60日(参考常规频域分析设定)基本价格提取窗口: 20日均线(参考设定)
数据输入
: (日频)
组合方式
单因子测试，未涉及多因子合成
绩效
22.12%
多头年化收益率(创业板)
9.48%
超额年化收益率(创业板)
0.66
信息比(创业板)
11.35%
多头年化收益率(全市场)
8.15%
多头年化收益率(中证1000)
基准: 创业板指等各宽基指数
回测期: 2010.01.01 – 2022.12.31 (创业板区间为2013.01-2022.12)
弹性因子通过将日频股价分解为基本成分和暂时成分，并利用频域分析计算暂时价格恢复速度。回测表明该因子在各板块分档效果显著，在创业板表现尤为突出，多头年化收益率达22.12%，信息比为0.66，且换手率较低。
收益归因
报告未进行因子收益归因分析。
缺口: 未提供弹性因子相对于常见风格因子（如Barra风险因子）的暴露度及纯因子收益拆解。
稳健性
子样本稳定性: 在2013-2022年创业板回测中，大部分年份均获得明显超额收益，2022年超额年化收益率达18.60%；但在沪深300等大盘股区间，多头年化仅4.36%，收益稳定性在不同市值板块差异较大。
风格偏差: 报告未提供明确风格归因，但作为流动性衍生因子，可能与换手率、波动率等风格因子存在一定共线性。
因子在多板块分层效果显著，月频换手率低（低于20%），在创业板尤为突出，但在不同宽基间表现差异较大，未提供常见的Barra风险归因纯因子收益。
数据依赖
所需数据: 日频收盘价数据
可复现性: medium
仅依赖日频量价数据，数据获取成本低。但由于研报未公开具体的股价分解算法（如ARMA、状态空间或均线法）及频域距离/时间的精确公式，完全复现存在一定难度。
相关研究
Dong等(2007)和Kempf等(2015)使用均值回归参数或交易成本度量来衡量弹性 — 本报告方法克服了仅考察短期弹性的问题，通过频域分析直接衡量多频率成分综合下的暂时价格恢复速度，更具全面性
新颖性评估 [新方法]
将日频价格分解与频域分析结合，用'距离/时间'的物理概念重新定义弹性，相比传统时域均值回归参数更具信号全面性，且因子拥挤度较低。
不足与缺陷
- 黑盒细节较多：未公开股价分解的具体数学模型，也未给出频域中'距离'与'恢复时间'的精确公式及参数，导致无法1:1完全复现
- 缺乏归因分析：未提供弹性因子相对于常见风格因子（如Barra风险因子）的暴露度及纯因子收益拆解，无法确认其增量信息
- 大盘股效用弱：在沪深300板块多头年化收益仅4.36%，表明因子在低流动性/大盘股环境可能失效或被其他因子掩盖
可复用元素
- 将时域信号转换到频域分析价格恢复速度的跨学科视角
- 对流动性弹性维度的理论梳理和定义重构
启发
- 高频数据挖掘容易过拟合，结合频域分析对低频数据降维提取周期恢复特征是一条有效路径
- 量价因子可以通过物理意义明确的'速度/距离'指标进行重构，提升因子可解释性
改进方向
使用时域自回归模型(AR)的半衰期或连续时间均值回归速度直接作为弹性因子替代指标
基于: 弹性本质为均值回归速度，频域分析虽能提取多频率特征，但计算复杂且易受窗口长度选择影响。对于低频日度数据，AR(1)系数的负对数能直接表示连续时间的恢复速度，且数学上与频谱重心具有等价性 预期收益: 避免傅里叶变换可能引入的频谱泄露和边缘效应，减少超参数设定，提升因子在大盘股的稳定性和表现，降低计算成本
复现计划
1. 提取全A股日频收盘价并取对数；2. 采用20日均线作为基本价格，相减得到暂时价格序列；3. 截取过去60日序列去均值后做离散傅里叶变换求功率谱；4. 以功率谱加权平均频率求倒数作为恢复时间，以序列标准差作距离，相除得弹性因子；5. 因子值经MAD去极值、Z-Score标准化、行业市值中性化处理；6. 按月调仓分5档回测，验证各板块RankIC与分层单调性。
实体
弹性因子 [concept]傅立叶变换 [method]Jinyong Kim [person]
LOCAL SIMILARITY