长江金工 高频因子十九收益来源基础的因子挖掘方法论二时间段切割因子

本次报告重点探讨了高频因子挖掘体系中的离散化向量维度，即时间段切割的因子构建方法。报告核心观点如下：

1. 离散化向量的维度探讨
   报告介绍了通过时间段属性（如成交量）进行数据切割的因子构建方法，区别于常规算子（加减乘除等）。以短期反转因子为例，展示了如何通过每笔成交量数据的前20%作为高活跃成交区，其余80%作为低活跃成交区，并利用持续变换算子进行逻辑比较和切割，最终计算切割后的信息量。

2. 切割对因子的影响分析
   报告分析了切割对流动性、波动率和收益率三个低频收益来源的影响：

   • 流动性：切割对流动性影响不大，个股流动性更多受自身特质影响。
   • 波动率：高活跃区间的低波效应更明显，但整体信息方向一致。
   • 收益率（反转）：切割导致方向和量纲均发生变化，合并信息后反而降低表达效果，需分开表达或去噪。

3. AI算子体系的应用
   报告介绍了AI算子体系如何结合离散化向量（如时序变换算子）进行因子计算，并通过AI梳理因子类别和计算方法。报告将切割维度分为交易性质维度（如成交量、涨跌停）和信息表达维度（绝对含义如波动率，相对含义如价格对比）。

4. 因子案例展示
   报告展示了三类因子：

   • 振幅边际异常波动因子：基于振幅边际（价格变动二阶导）进行切割，体现波动变化大小，800和全场表现稳健。
   • 相对换手因子：基于正幅边际和换手率进行切割，反映波动变化时的成交稳定性，相关性高但近年表现较弱。
   • 价格维度切割因子：按价格高低切割并计算相对换手，与传统因子相关性低，近年收益稳健。

5. 研究结论
   切割维度在因子构建中具有重要意义，可衍生出与传统因子差异的因子。报告基于AI算子体系进行迭代，未来将汇报市场风格对因子投资的影响。