【海通金工】多空收益和多头超额的悖离
重要提示：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号发布的观点和信息仅供海通证券的专业投资者参考，完整的投资观点应以海通证券研究所发布的完整报告为准。若您并非海通证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号推送内容而视相关人员为客户;市场有风险，投资需谨慎。
高频选股因子周报（20240122-20240126）
下表汇总了海通证券金融工程团队开发的高频选股因子本周、1月及2024年的多空收益、多头超额收益及月度胜率。本周，深度学习类因子的多空收益显著，但多头超额仅在0附近。
下表展示了周度调仓的中证500 AI增强组合和中证1000 AI增强组合本周、1月及2024年的超额收益及周度胜率。
1.高频偏度因子
下图展示了月度换仓的高频偏度因子全市场前后10%多空组合的相对强弱净值。因子的计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》。（已对常规因子进行正交，下同）。
下图展示了高频偏度因子本周、1月及2024年的多空收益。
2.下行波动占比因子
下图展示了月度换仓的下行波动占比因子全市场前后10%多空组合的相对强弱净值。因子的计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》。
下图展示了下行波动占比因子本周、1月及2024年的多空收益。
3.开盘后买入意愿占比
下图展示了月度换仓的开盘后买入意愿占比全市场前后10%多空组合的相对强弱净值。因子的计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》。
下图展示了开盘后买入意愿占比因子本周、1月及2024年的多空收益。
4.开盘后买入意愿强度
下图展示了月度换仓的开盘后买入意愿强度全市场前后10%多空组合的相对强弱净值。因子的计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》。
下图展示了开盘后买入意愿强度因子本周、1月及2024年的多空收益。
5.开盘后大单净买入占比
下图展示了月度换仓的开盘后大单净买入占比全市场前后10%多空组合的相对强弱净值。
下图展示了开盘后大单净买入占比因子本周、12月及2023年的多空收益。
6.开盘后大单净买入强度
下图展示了月度换仓的开盘后大单净买入强度全市场前后10%多空组合的相对强弱净值。
下图展示了开盘后大单净买入强度因子本周、1月及2024年的多空收益。
7.改进反转
下图展示了月度换仓的改进反转因子全市场前后10%多空组合的相对强弱净值。
下图展示了改进反转因子本周、1月及2024年的多空收益。
8.尾盘成交占比
下图展示了月度换仓的尾盘成交占比全市场前后10%多空组合的相对强弱净值。
下图展示了尾盘成交占比因子本周、1月及2024年的多空收益。
9.平均单笔流出金额占比
下图展示了月度换仓的平均单笔流出金额占比全市场前后10%多空组合的相对强弱净值。
下图展示了平均单笔流出金额占比因子本周、1月及2024年的多空收益。
10.大单推动涨幅
下图展示了月度换仓的大单推动涨幅全市场前后10%多空组合的相对强弱净值。
下图展示了大单推动涨幅因子本周、1月及2024年的多空收益。
11.深度学习高频因子（GRU(50,1)+NN(10)）
下图展示了周度换仓的深度学习高频因子（GRU(50,1)+NN(10)）全市场前后10%多空组合的相对强弱净值。
下图展示了深度学习高频因子（GRU(50,1)+NN(10)）本周、1月及2024年的多空收益。
12.深度学习高频因子（GRU(50,2)+NN(10)）
下图展示了周度换仓的深度学习高频因子（GRU(50,2)+NN(10)）全市场前后10%多空组合的相对强弱净值。
下图展示了深度学习高频因子（GRU(50,2)+NN(10)）本周、1月及2024年的多空收益。
13.深度学习高频因子（改进GRU(50,2)+NN(10)）
下图展示了周度换仓的深度学习高频因子（改进GRU(50,2)+NN(10)）全市场前后10%多空组合的相对强弱净值。
下图展示了深度学习高频因子（改进GRU(50,2)+NN(10)）本周、1月及2024年的多空收益。
14.深度学习高频因子（残差注意力LSTM(48,2)+NN(10)）
下图展示了周度换仓的深度学习高频因子（残差注意力LSTM(48,2)+NN(10)）全市场前后10%多空组合的相对强弱净值。
下图展示了深度学习高频因子（残差注意力LSTM(48,2)+NN(10)）本周、1月及2024年的多空收益。
15.深度学习因子（多颗粒度模型-5日标签）
下图展示了周度换仓的深度学习因子（多颗粒度模型-5日标签）全市场前后10%多空组合的相对强弱净值。因子基于双向AGRU训练得到。
下图展示了深度学习因子（多颗粒度模型-5日标签）本周、1月及2024年的多空收益。
16.深度学习因子（多颗粒度模型-10日标签）
下图展示了周度换仓的深度学习因子（多颗粒度模型-10日标签）全市场前后10%多空组合的相对强弱净值。因子基于双向AGRU训练得到。
下图展示了深度学习因子（多颗粒度模型-10日标签）本周、1月及2024年的多空收益。
17.周度调仓的AI指数增强组合
我们基于深度学习因子（多颗粒度模型-10日标签）构建中证500 AI增强组合和中证1000 AI增强组合。其中，增强组合的风险控制模块包括以下几个方面的约束。
1） 个股偏离：相对基准的权重偏离不超过1%；
2） 因子暴露：估值中性、市值（500增强：中性；1000增强：[-0.2, 0.2]），常规低频因子：[-0.8, 0.8]；
3） 行业偏离：严格中性；
4） 换手率限制：单次单边换手不超过30%。
两个组合的优化目标均为最大化预期收益，目标函数如下所示。
下图展示了组合2017年以来相对中证500指数的累计超额收益。
下图分别展示了组合在本周、1月及2024年的超额收益。
下图展示了组合2017年以来相对中证1000指数的累计超额收益。
下图分别展示了组合在本周、1月及2024年的超额收益。
18.风险提示
因子失效风险、流动性风险。
联系人：袁林青 (021)23212230
本篇文章来源于微信公众号: 海通量化团队
