金融工程专题报告：高频因子在不同周期和域下的表现及影响因素分析

　　在前期报告中，我们从交易逻辑出发，使用分钟、tick 以及逐笔数据构建了一系列高频因子。在本篇报告中，我们将考察因子在不同周期和域下的表现，以及分析影响因子表现的因素。

    高频因子计算方法。我们基于交易逻辑和投资者行为构建了高频偏度、下行波动占比、改进反转、尾盘成交占比、量价相关性、平均单笔流出金额占比、大单推动涨幅、成交委托相关性以及收盘前成交委托相关性等高频因子。因子计算方法相对统一：使用每日日内信息计算得到指标，取指标N 日均值或累计值作为因子值。

    月频调仓下的因子表现。在全市场中，绝大多数因子月均多空收益差在1.5%以上，rank IC 均值在7%以上，其中成交委托相关性因子收益最高。正交后，改进反转和尾盘成交占比因子表现较好。多数因子空头贡献更大，其中平均单笔流出金额占比因子多头收益最高，月均超额0.64%。沪深300 成分股中，成交委托相关性因子表现较好。中证500 成分股中，改进反转和大单推动涨幅因子表现较好。

    周频调仓下的因子表现。在全市场中，绝大多数因子周均多空收益差在0.5%以上，rank IC 均值在5%以上，其中改进反转因子收益最高。正交后，多数因子选股效果明显下降，尾盘成交占比因子正交之后选股效果有所提升，但相对月频调仓，提升幅度较小。多数因子空头贡献更大，其中平均单笔流出金额占比因子多头收益仍然最高，周均超额0.29%。改进反转和量价相关性因子在沪深300 和中证500 成分股中表现较好。

    复合高频因子。同一级别、同一类别因子之间相关性较高，但不同级别、不同类别因子之间相关性较低。高频因子复合后稳定性进一步提升，月频模型rank IC均值和rank ICIR 分别为6.82%和6.15；周频模型的rank IC 均值和rank ICIR分别为8.48%和10.86。

    高频因子影响因素分析。由于高频因子具有高信息比率和高胜率的特征，基于外生变量构建的回归树模型解释能力普遍较低。影响较大的择时变量主要是市场中表现最差的一部分股票的跌幅，这是因为高频因子选空头能力更为突出。高频因子收益难以被外生变量解释，因此我们建议投资者将高频因子作为alpha 因子加入到多因子组合中，以提升组合的信息比和胜率，降低组合的回撤。

    风险提示。因子失效风险、流动性风险。