综合质量 5 /5
新颖性 4 /5
可复现性 4 /5
分类
技术面(量价)高频·微观结构 日频分钟 波动率 A股 统计线性
本研报将日频振幅因子切割思想引入高频领域，通过分钟合并切割和日内切割合成两种方式构造了分钟理想振幅因子与日内振幅切割因子，等权合成得到的高频振幅合成因子在全市场rankICIR达-4.58，多空年化收益22.4%。
关键结论
高频振幅合成因子在全市场rankIC均值为-0.086，rankICIR为-4.58，5分组多空对冲年化收益率达22.4%，样本外（2021-2025）累计收益89.4%，大幅优于原始理想振幅因子的51.3%。
核心要点
- 将日度振幅因子切割逻辑扩展至1分钟高频数据，挖掘日内多空博弈结构信息
- 构造方式一：将过去N天分钟数据合并，按分钟收盘价高低切割振幅，计算高低部分振幅均值之差得到分钟理想振幅因子
- 构造方式二：按日进行切割，使用1分钟涨跌幅等情绪指标对分钟振幅切割得到日度序列，计算其均值与标准差并合成得到日内振幅切割因子
- 两因子相关性仅30%，横截面标准化等权合成后，高频振幅合成因子选股效果显著优于原始日频振幅因子
核心内容
报告基于1分钟K线数据，采用两种切割思路对传统振幅因子进行高频化重构。第一种思路将过去N天分钟数据合并，按收盘价排序切割出高价部分和低价部分的振幅，作差得到分钟理想振幅因子；第二种思路以日为单位，使用1分钟涨跌幅等情绪指标对当日分钟振幅进行高低切割并作差，得到日度切割因子序列后，提取其10日均值和标准差合成得到日内振幅切割因子。最后将两因子横截面标准化后等权合成。
经济逻辑
振幅反映了资金多空博弈的激烈程度。传统日频振幅仅刻画全天整体博弈，丢失了日内微观结构信息。通过高频数据按价格或情绪涨跌切割，能够分离出股票在“高价格/上涨阶段”与“低价格/下跌阶段”的振幅差异。这种局部振幅的不对称性蕴含了资金的冲动交易与主力真实的意图，高频振幅切割因子能够更精准地提取这种过度反应和情绪偏差，从而对未来收益产生反转预测效力。
超额收益逻辑
股票在价格走高或上涨阶段（情绪亢奋）的振幅若显著大于价格走低阶段，说明市场资金存在非理性的追高行为，产生过度反应。这种微观层面的非理性博弈越激烈，未来发生均值回归（反转）的概率越大。因此，高价部分振幅减去低价部分振幅的差值（或高涨幅部分振幅减去低涨幅部分振幅）与未来收益呈负相关。
构造细节 [factor]
因子定义
1. 基础变量：分钟振幅 $V_t = (High_t - Low_t) / Close_{t-1}$；1分钟涨跌幅 $R_t = (Close_t - Close_{t-1}) / Close_{t-1}$。 2. 分钟理想振幅因子($F_1$)：取过去N=10天全部1分钟K线，按收盘价$Close_t$升序排序，取前$\lambda=25\%$（低价部分）的$V_t$均值记为$V_{low}$，后$\lambda=25\%$（高价部分）的$V_t$均值记为$V_{high}$。因子 $F_1 = V_{high} - V_{low}$。 3. 日内振幅切割因子($F_2$)：对每日内240根1分钟K线，按1分钟涨跌幅$R_t$升序排序，取前$\lambda=20\%$的$V_t$均值记为当日$V_{low}'$，后$\lambda=20\%$的$V_t$均值记为当日$V_{high}'$。当日切割值 $Daily\_V = V_{high}' - V_{low}'$。计算过去N=10天的 $Daily\_V$ 序列均值 $V_{mean}$ 和标准差 $V_{std}$。因子 $F_2 = Zscore(V_{mean}) + Zscore(V_{std})$。 4. 高频振幅合成因子($F$)：$F = Zscore(F_1) + Zscore(F_2)$。
处理流程
- 获取过去10天的1分钟OHLCV数据，计算分钟振幅$V_t$与1分钟涨跌幅$R_t$
- 计算因子$F_1$：合并10天数据，按$Close_t$排序，计算首尾25%比例的$V_t$均值之差
- 计算因子$F_2$：按日循环，每日按$R_t$排序计算首尾20%比例的$V_t$均值之差得到日序列，再求该序列过去10天的均值与标准差，横截面标准化后等权相加
- 将$F_1$与$F_2$横截面标准化(Z-score)后等权相加，得到合成因子$F$
- 因子值为负向预测，按因子值从小到大分为5组，第1组为多头，第5组为空头
参数
回看天数N: 10切割比例λ: 25% (分钟理想) / 20% (日内切割)
数据输入
: (1分钟)
组合方式
分钟理想振幅因子与日内振幅切割因子在横截面上标准化(Z-score)后等权相加
绩效
-0.086
高频振幅合成因子_rankIC均值
-4.58
高频振幅合成因子_rankICIR
22.4%
高频振幅合成因子_5分组多空年化收益率
-2.32
沪深300_rankICIR
1.53
沪深300_信息比率
-2.13
中证500_rankICIR
1.43
中证500_信息比率
基准: 沪深300、中证500
回测期: 2021-2025(样本外)
基于1分钟交易信息切割构造的高频振幅合成因子在全市场rankICIR为-4.58，5分组多空对冲年化收益率为22.4%，样本外表现显著优于原始理想振幅因子，在沪深300和中证500指数样本中同样表现优异。
收益归因
未提及
缺口: 未涉及因子归因分析
稳健性
子样本稳定性: 在沪深300和中证500指数样本中均有效，沪深300表现更优（rankICIR -2.32 vs -2.13）。样本外2021-2025年累计收益显著跑赢原始日频因子，表现稳健。
风格偏差: 偏向反转与低波动风格，捕捉市场情绪过度反应后的修正收益。
在切割比例5%-50%和回看天数5-30天的参数敏感性测试中，因子表现整体优于日频原始因子，具有较好的参数鲁棒性。
数据依赖
所需数据: 1分钟频率的开高低收和成交额数据
可复现性: medium
计算逻辑清晰，算子明确，可复现性强；依赖1分钟级别的高频量价数据，数据清洗和缺失值处理存在一定门槛。
相关研究
日频振幅因子切割 (开源金工《振幅因子的隐藏结构》与《因子切割论》) — 本报告是将原有的日频切割方法论在数据频率上的直接延伸与创新应用，通过引入高频数据丰富切割维度并提取日内微观结构信息。
新颖性评估 [新方法]
创新性地将“切割思想”应用于1分钟高频数据，提出了“合并切割”与“日内切割后聚合”两种新颖的高频因子构造框架，成功挖掘了原始日频数据无法覆盖的日内博弈非对称信息。
不足与缺陷
- 切割维度仅限于收盘价和1分钟涨跌幅，未引入成交量分布或盘口微观结构信息（如订单簿不平衡）
- 因子合成仅采用简单的横截面标准化等权相加，未考虑两子因子时变IC特征的动态权重调整
- 回测细节中未明确交代分钟级数据回测的调仓频率、交易成本（滑点与手续费）冲击情况
可复用元素
- 提供了一种将高频特征降维至日频因子的优雅范式：合并切割法直接聚合，日内切割法先提取日序列特征再聚合
- 揭示了按价格涨跌高低分层提取振幅差能够有效剥离普通的波动率水平，提取出情绪非对称性Alpha
启发
- 可以将‘切割’的排序指标替换为更微观的指标，如分钟净主买量或换手率，以刻画更真实的多空资金博弈
- 对于高频序列特征，除了均值与标准差，还可以提取偏度或极值占比，以捕捉更极端的情绪爆发点
改进方向
引入资金流方向作为切割维度进行因子重构
基于: 日内振幅切割因子 预期收益: 将分钟振幅按'1分钟净主动买入金额'排序切割，替代原本的按涨跌幅切割。预期能更直接反映真实资金多空分歧，过滤单纯价格噪音，提升因子在资金驱动行情下的选股精度。
复现计划
1. 获取全A股过去10天的1分钟OHLCV数据；2. 计算分钟振幅与1分钟涨跌幅序列；3. 按研报公式计算合并排序的F1与日内排序聚合的F2；4. 对F1、F2做横截面Z-score后等权相加；5. 按因子值5分组，做多第1组做空第5组，以日频/月频调仓验证多空收益与rankICIR。
实体
高频振幅合成因子 [factor]分钟理想振幅因子 [factor]日内振幅切割因子 [factor]理想振幅因子 [factor]因子切割 [concept]魏建榕 [person]
LOCAL SIMILARITY