在投资实践中,随着风险因子模型的发展和流行,Beta和Alpha的概念深入人心:Beta是投资收益率中可以被一个或者多个风险因子所解释的部分,而剩下的部分称为Alpha。随着新的风险因子不断被挖掘,投资收益率中越来越多的部分被划分为Beta部分,相应的Alpha部分就越来越少。从学术角度看,挖掘新的风险因子有助于理解资产收益的来源;从实践角度看,挖掘新的风险因子有助于实现超额收益。驱动论文写作的另一个重要因素是市场行情。众所周知,2017年上半年中国A股市场走出分化行情,诸如白酒、家电等一批中国版“漂亮50”横空出世,曾被认为具备高速成长性的中小创公司却大幅下跌。近八成公募量化基金的业绩告负,他们普遍采用的就是基于多因子模型的选股策略。由此可见,经典多因子体系整体而言与市值因子相关性高。换言之,具有独立边际贡献的因子数量较少,一旦市场风格转换,整个多因子体系面临巨大风险。因此,批量且有效地挖掘与经典因子库相关性低的新因子,具有显著的投资实践价值。论文尝试全新的交易型因子体系并且使用日内行情数据构建因子。这一体系由Igor Tulchinsky et al.(2015)提出。在此体系中,因子是基于历史数据对未来股票涨跌幅的预测变量。某只股票的因子绝对值越大,分配给这只股票的资金份额越大,正数代表看多,负数代表看空,进而通过历史数据回测检验因子有效性。此体系的主要特征在于因子是由各种数学公式和计算机代码表达,因此它被称为公式型Alpha因子(Formulaic Alpha)。在国内,李辰、刘富兵(2017)把该体系称为交易型因子体系。另一方面,高频交易目前受限于外部法规或内部风控等诸多因素。退而求其次,基于高频数据构造低频交易信号的方法近年来在国内流行起来。在目前有关交易型因子的文献中运用的数据仅局限于日线级别的低频量价数据,未涉足日内高频数据。本文把这种方法运用于前述的交易型因子体系。具体而言,本文利用日内高频数据构造两种不同类型的新因子,分别是资金流类型和相对交易价格类型的因子。第一类因子是利用分笔数据构造的资金流指标,分别是机构主动净流入占比和散户主动净流入占比,第二类因子是利用分笔数据构造的主力交易相对价格,用于反映主力对市场的情绪。这两类因子尝试通过捕捉投资者行为模式的偏差获得收益。由于日内高频数据更加细致地反映了每个交易日内的市场微观结构,而低频数据几乎缺失了这方面信息。所以相比于日线级别的低频数据,日内数据所含信息更加丰富(事实上,低频数据可以由高频数据汇总得到)。经过回测分析和显著性检验发现,这两类因子都是预测下一交易日股票收益率的反向指标,具有稳定的风险溢价,且与市值因子的相关性低,均在0.2附近。这是对经典多因子体系的极大补充。此外,通过这几个因子,本文认为A股市场投机氛围较重,无论是机构和散户都偏好短线交易,并且这种交易行为通常具有固定的模式。本文归纳出的因子,就是捕捉这种行为偏差来获得超额收益。必须说明的是,无论再固定的行为模式,都存在改变的可能。换言之,历史上再有效的因子也有失效的可能。本文进而通过因子样本外表现的衰减程度和因子滞后期数对股票收益率预测效果影响这两方面对因子的有效周期进行评估。结果发现,由高频行情数据构造的因子预测时效通常较短,即随着因子的滞后期数增加,因子对股票收益率预测效果降低,这几个因子预测有效的时间跨度极限在五到六个交易日左右,即因子对股票六个交易日之后的收益率几乎没有预测效果。另外从因子月度信息比率看,相比于样本内,资金流因子在样本外的表现不存在显著下降,相对交易价格因子则出现显著的样本外衰减,这表明资金流因子的有效周期相对较长,预期未来表现也更满意。