“
“策略分析了272个高频投资组合的回报，数据范围从1996到2020年。使用15分钟频率的回报数据，探讨了不同预测模型对市场回报的预测能力，并使用LASSO处理高维因子。研究发现，基于预测模型的市场时机策略优于买入持有策略，尤其在日内回报和夏普比率上表现出色。三种主要交易策略中，“主要”策略通过考虑信号强度实现更高回报，表明市场时机选择在短期预测中有显著优势。”
资产类别：股票 | 地区：美国 | 频率：日内 | 市场：股票 | 关键词：日内，因子ZOO
策略概述
<数据>
本研究使用的数据涵盖了272个投资组合的高频回报，这些投资组合由Aleti（2023）构建，时间跨度为1996年1月2日至2020年12月31日。这些投资组合包括218个按特征排序的投资组合，代表了资产定价文献中的各种因子，48个行业投资组合汇总了特定行业的市场动态，以及6个其他因子投资组合，包括Fama-French五因子加动量。为了减少市场微观结构噪声的影响，所有投资组合的回报以“粗略”的15分钟频率进行抽样，共生成169,965个日内回报观测值。分析结果显示，大部分市场回报发生在过夜期间，强调了通过日内交易产生正回报的挑战。此外，日内市场回报的序列相关性较低，平均一阶自相关系数仅为3.56%。研究考察了这些投资组合的潜在预测能力，结果表明虽然某些个别投资组合提供了显著的预测能力，但绝大多数并不如此。显然，需要更复杂的实时变量选择程序来识别有效的预测因子，特别是考虑到这些因子之间的高度相关性。这为后续关于预测模型和估计程序的讨论奠定了基础。
在第3部分中，描述了市场和因子投资组合的连续时间对数价格过程，将其分为连续和跳跃成分。介绍了不同的预测模型，包括基准模型和排除跳跃成分的变体。引入LASSO估计程序来处理模型的高维特性，并同时选择相关预测因子。解释了LASSO的超参数调整过程，包括训练/验证/测试的划分，以优化模型的表现。这一综合方法为后续分析中预测市场回报奠定了基础，将使用SHAP值来理解预测背后的驱动因素。
在第4部分中，重点评估了四个模型规格在预测Fama-French市场投资组合15分钟回报的样本外预测表现。评估基于样本外R²值，并与高频预测的预期基准进行比较。结果显示，尽管R²值较小，但显著超过了基准，表明模型捕捉到了一定程度的短期可预测性。“All, All”规格在R²OOS方面表现最佳。Diebold-Mariano检验确认所有四个模型均优于基于平均回报的基准。然而，在模型之间比较时，并没有明显的统计赢家。该部分为后续分析中通过交易策略的表现对模型进行更深入的经济评估奠定了基础。
在第5部分，作者考察了基于先前讨论的预测模型，针对Fama-French市场投资组合的不同交易策略的表现。考虑了三种主要交易策略：
<信号策略>
当预测的市场回报为正时，采取多头头寸；当其为负时，采取空头头寸。它对待多头和空头头寸是对称的。
该策略避免卖空，仅在预测回报为正时持有多头头寸，在其为负时保持现金。
该策略采取更细致的方法，考虑预测信号的强度。仅当预测回报相对于噪声（以预测误差的滚动标准差衡量）足够强时，才采取多头头寸，否则维持现有头寸。
此外，使用简单的买入持有策略作为基准。
交易表现根据日内回报和日内夏普比率进行评估。部分关键发现： 所有交易策略在平均日内回报方面均优于买入持有策略。 除买入持有策略外，所有策略的平均日内回报以年化百分比形式报告。 所有交易策略的日内夏普比率显著高于买入持有策略。 尽管在预测模型中将回归因子分为连续和不连续成分没有明显的系统优势，“主要”交易策略则受益于使用市场回报的连续成分作为被解释变量。
这些结果表明，基于预测模型的市场时机选择可以实现优于简单买入持有策略的日内回报和改善风险调整后的表现，适用于Fama-French市场投资组合。
策略合理性
本文研究的基本理论依据在于金融核心问题：我们能否预测整体股票市场的回报？如果可以，这种预测是否可以通过交易策略转化为异常回报？这些问题挑战了有效市场假说，并在金融文献中得到了广泛探讨。以往研究主要集中在日回报、月回报和季回报上，并考察了有限的预测变量，结果不一。相较之下，本研究采用高频日内回报及超过两百个横截面风险因子。通过利用机器学习技术，研究旨在提炼出关键信息。研究发现，整体市场投资组合的日内回报具有强大的实证可预测性。值得注意的是，这种可预测性与新信息的逐步吸收及特定高频因子的影响，特别是与流动性和尾部风险相关的因子密切相关。该研究为在金融中利用机器学习的不断发展提供了贡献，并为市场摩擦和信息吸收动态提供了新的见解。
论文来源
Liquidity Forecasts and Stock Returns [点击浏览原文]
- Saketh Aleti, Tim Bollerslev, Mathias Siggaard，杜克大学经济系，杜克大学金融系；国家经济研究局（NBER），奥胡斯大学
<摘要>
我们记录了基于滞后高频横截面回报的强日内市场回报可预测性。我们的结果在很大程度上依赖于LASSO来规范我们的预测回归，以及金融计量经济学中的技术来区分连续和不连续的价格增量。利用我们的预测的交易策略在考虑交易成本后生成了可观的样本外夏普比率和阿尔法。我们将优异表现归因于经济不确定性高的时期以及与尾部风险和流动性相关的一些关键因素，指向缓慢流动的资本和新信息的逐步融入作为背后的经济机制。
回测表现
| 年化收益率 | 17.45% |
| 波动率 | 16.78% |
| Beta | N/A |
| 夏普比率 | 1.04 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | 71% |
