天软因子数据系列课堂回顾——“委托订单:流动性因子”

高频因子库4月更新,新增5张表单,51个因子。目前,高频因子数量扩容到628个,涵盖了从2000年开始的全A市场。本次"天软因子数据系列课堂"在线分享的即是最新发布因子列表之一的流动性因子,剖析微观角度下因子的底层逻辑,并结合天软因子平台对比因子突出表现。

下面是本次专题的内容回顾:

1

高频因子3.0

因子服务新升级更丰富的因子库、更完善的因子评价体系天软高频因子库以股票高频价量、委托订单、资金流向、时段交易四个方向的高频数据出发,构建包含信息增量的低频化因子;同时也从因子微观结构出发,利用投资者行为差异造成市场信息分布不均匀的特点,寻找合适的市场代理变量,提纯因子表现。

2

委托订单:流动性因子

流动性因子以盘口委托订单数据为基础,通过计算买卖双方的交易成本衡量市场流动状态。其中个股微观流动性的衡量通过计算限价交易成本与市价交易成本的差值表示,最终形成买单流动性、卖单流动性、买卖单流动性不平衡程度等3个流动性因子。

3

因子回测结论与说明

凭借天软因子研究平台的高性能因子回测与全面的因子评价分析,将买单流动性、卖单流动性、买卖单流动性不平衡程度,分别以下场景多角度的IC分析、回归分析、分组分析综合判断因子有效性:

  1. 因子横向对比
  2. 因子回测周期对比
  3. 因子回测域对比

1

因子检验横向对比

场景1分别针对买单流动性、买单流动性、买卖单流动性不平衡程度因子在中证800下进行日频回测及结果对比,探究不同流动性因子表现差异:

1.卖单流动性因子整体呈现负向,买单流动性因子整体呈现正向;IC均值在±0.01左右,有效性较弱;但年化多空收益在±15%左右,因子分组的区分度效果较好;

2.而基于流动性因子构建的买卖单流动性不平衡因子表现较好,IC均值在0.03左右,年化多空收益在45%左右,分组效果较好

2

因子检验回测周期对比

场景2针对买卖单流动性不平衡程度因子在中证800下进行日频、周频、月频回测及结果对比,探究同一流动性因子在不同回测周期表现差异:

随着回测周期的降低,因子表现越来越差,从日频下IC均值0.032、年化多空收益43.47%降低至月频回测下近乎失效,IC均值0.005,年化多空收益6.80%

3

因子检验回测域分析

场景3针对买卖单流动性不平衡程度因子在沪深300、中证500、中证1000指数市场下进行日频回测及结果对比,探究同一流动性因子在不同市场表现差异:

该因子呈现出较为明显的小盘股效应,其在沪深300中IC均值0.03、ICIR为0.21、分组年化多空收益为31.72%;而其在中证1000中表现更优,IC均值0.04、ICIR为0.40、分组年化多空收益为55.41%

天软因子库自推出以来,不断更新迭代,形成了覆盖5个品种,2000余个因子的庞大体系。天软不仅以研究因子贴合市场需求为目标,更注重因子的实用性及可靠性,以期可以为更多投研机构的因子研究工作提供强有力的支撑。

相关推荐
Land032933 分钟前
RPA工具选型技术指南:架构差异与实测数据
python·自动化·rpa
kafei_*44 分钟前
VScode 添加 UV虚拟环境方法
vscode·python·uv
洛_尘1 小时前
Python 5:使用库
java·前端·python
m0_596749092 小时前
如何防止SQL拼接漏洞_使用PDO对象实现安全的SQL交互
jvm·数据库·python
老纪的技术唠嗑局2 小时前
深度解析 LLM Wiki / Obsidian-Wiki / GBrain:Agent 时代知识的“自组织”与“自进化”
大数据·数据库·人工智能·算法
AIFQuant4 小时前
2026 全球股票/外汇/贵金属行情 API 深度对比:延迟、覆盖、价格与稳定性
python·websocket·ai·金融·mcp
Ray Liang4 小时前
吐血整理JSON-RPC2.0的原理与应用
python
㳺三才人子4 小时前
簡單的 語音助手
python·ai编程·pip
计算机毕业编程指导师4 小时前
【计算机毕设推荐】Python+Hadoop+Spark共享单车数据可视化分析系统 毕业设计 选题推荐 毕设选题 数据分析 机器学习 数据挖掘
大数据·hadoop·python·计算机·数据挖掘·spark·课程设计
2301_795099745 小时前
golang如何在Gin中自定义验证器_golang Gin自定义验证器实现方法
jvm·数据库·python