我国期权交易-期货知识-金投期货-金投网
期货行情：
您的当前位置： >
我国期权交易
摘要2月9日，我国期权交易将迎来股票期权时代。周五，证监会批准了上证所开展股票期权交易试点，试点范围为上证50ETF期权，我国期权交易正式上市时间为日。
2月9日，我国期权交易将迎来股票期权时代。周五，证监会批准了上证所开展股票期权交易试点，试点范围为上证50ETF期权，我国期权交易正式上市时间为日。
证监会昨天发布了《股票期权交易试点管理办法》及其配套规则。证监会表示，在我国试点股票期权，将有助于完善价格发现，有利于降低市场波动，培育机构投资者，提升行业竞争力。
业内人士预测，今年优先推出ETF期权，此后会逐渐上线其他ETF品种，A股市场即将进入期权时代。
据介绍，股票期权交易是一种股票权利的买卖，即某种股票期权的购买者和出售者，可以在规定期限内的任何时候，不管股票市价的升降程度，分别向该股票的出售者和购买者，以期权合同规定的价格购买和出售一定数量的某种股票。期权一般有两种：一种是看涨期权；另一种是看跌期权，即投资者可以以协议价格卖出一定数量的某种股票的权利。
业内人士认为，个股期权的推出能进一步活跃市场、增强市场吸引力，增加券商创收渠道。就上证50ETF期权来看，由于其门槛以及专业性等原因，上证50ETF期权推出初期是机构对冲的主要工具，对市场资金分流可能非常有限。就股指本身而言，期权的推出短期可能造成有限波动，长期而言是金融发展的必经之路，将使国内市场更加成熟。
分析人士表示，我国期权交易的推出，A股四类股票将受益。首先是券商板块，其次是或者参股类的个股，第三是交易系统维护商和开发交易软件类的个股，最后是被选为股票期权标的证券的个股。
此外，昨天上证所发布《关于修改〈上海证券交易所交易规则〉第3.1.5条的通知》，通知表示，经证监会批准，上证所决定对跨境交易型开放式指数基金和跨境上市开放式基金实行当日回转交易即T+0交易。证监会表示，此举是完善交易制度的积极举措，与完善A股T+0没有关系。
另外，针对&深港通&证监会表示，深港交易所目前正就&深港通&试点开展研究，证监会支持深港交易所开展合作，在沪港通试点的基础上探索新的方式和内容，支持两地资本市场发展。
免责声明金投网发布此信息目的在于传播更多信息，与本网站立场无关。金投网不保证该信息（包括但不限于文字、数据及图表）全部或者部分内容的准确性、真实性、完整性、有效性、及时性、原创性等。相关信息并未经过本网站证实，不对您构成任何投资建议，据此操作，风险自担。
壹周期货刊
由于市场担心中美贸易摩擦升级，我方可能将美豆作为...
周二，因利比亚通往该国东部最大石油港口EsSider的一...
国际现货黄金周一(4月2日)亚市早盘维持窄幅震荡格局...
金投网（www.cngold.org）2月14日讯，股指期货最新消...
网上自助开户推荐
优质化服务，核心竞争力，充足的资本，网点遍布全国
优质化服务，核心竞争力，充足的资本，网点遍布全国
优质化服务，核心竞争力，充足的资本，网点遍布全国
资产管理，投资咨询，风险管理
投行顾问式期货中介业务服务体系，核心竞争力
一对一个性化服务，研究分析服务，提供丰富的交易策略
热门期货软件下载
国内交易所
国外交易所
热门营业网点
姓　　名：
请填写真实的姓名
手　　机：
请填写真实有效的手机号码
期货公司：
默认公司无需填写
温馨提示您也可以直接咨询网站在线客服。
姓　　名：
请填写真实的姓名
手　　机：
请填写真实有效的手机号码
温馨提示您也可以直接咨询网站在线客服。
金投网官方微信
微信扫描二维码，随时随地了解金投网最新动态，掌握第一手金融理财资讯。8被浏览321分享邀请回答0添加评论分享收藏感谢收起MoneycodeMoneycode数学、数据和代码投资。欢迎相关方面踊跃投稿。关注专栏更多量化交易{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\u002Fpay.zhihu.com\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&title&:&第一篇 估值因子分析&,&author&:&gu-feng-5-32&,&content&:&\u003Cp\u003E多因子策略是一种应用十分广泛的选股策略，其基本思想是通过找到某些和收益率相关的指标，并根据该指标，建一个股票组合，期望该组合在未来的一段时间能够获取超越基准组合的超额收益。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E估值因子是一类具有特色的风格因子，本报告选取了PE，PB，PCF，PS，PEG五个常见的估值因子进行因子分析，测试区间是日~日，测试数据是全市场股票的\u003Cb\u003E月数据\u003C\u002Fb\u003E，主要从\u003Cb\u003E有效性\u003C\u002Fb\u003E和\u003Cb\u003E稳定性\u003C\u002Fb\u003E两个角度分析因子。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E通过此次报告可以初步得出以下结论：\u003C\u002Fp\u003E\u003Cp\u003E1、 此次选择的五个估值类因子的行业分布存在一定相似性，在\u003Cb\u003E银行、钢铁行业\u003C\u002Fb\u003E的暴露度普遍偏低，在\u003Cb\u003E通信行业、医药生物\u003C\u002Fb\u003E行业的估值因子的暴露度较高。\u003C\u002Fp\u003E\u003Cp\u003E2、 通过观察因子暴露度在不同市值区间的分布差异，估值类因子与市值有轻微的\u003Cb\u003E递减关系\u003C\u002Fb\u003E，说明因子暴露度与市值存在一定关联。\u003C\u002Fp\u003E\u003Cp\u003E3、 IC和RANK-IC两种计算因子暴露度与收益率相关系数的方式有差异，RANK-IC的显著性水平较高（p值较低），RANK-IC的绝对值较大，在时间序列上波动性较大。\u003C\u002Fp\u003E\u003Cp\u003E4、 PE因子暴露度与收益率的负相关性的关系较明显，并且这种趋势持续时间较长，peg因子显著的状态切换比例和同向比例均较大，说明大部分情况下peg因子的相关系数较显著，但是难以判断peg因子与收益率关系的方向。\u003C\u002Fp\u003E\u003Cp\u003E5、 所选估值因子中PE、PCF、PEG的同向显著比例普遍比状态切换显著比例大，说明在这三个因子最近一年存在趋势性。\u003C\u002Fp\u003E\u003Cp\u003E6、 所选估值因子的负相关显著比例比正相关显著比例高，在最近一年的IC和RANK-IC的6月移动平均值都小于零，并且在负半轴上的绝对值有增大的趋势，说明在最近一年估值因子暴露度与因子收益率的大部分时间可能存在负相关关系。\u003C\u002Fp\u003E\u003Cp\u003EPB、PEG因子的IC分布直方图处于小于零的部分大于大于零的部分。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E\u003Cu\u003E常见估值因子及其描述\u003C\u002Fu\u003E\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-adb6f8fc04e0bd34c1ea49.jpg\& data-caption=\&\& data-rawwidth=\&1274\& data-rawheight=\&692\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Ch2\u003E一、因子暴露度在不同行业的分布差异：\u003C\u002Fh2\u003E\u003Cp\u003E因子在行业之间的平均暴露度存在差距，以\u003Cb\u003E日\u003C\u002Fb\u003E为例。\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E图1到5展示了因子暴露度在不同行业的分布差异\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E通过对比各个因子暴露度的行业分布差异，\u003Cb\u003E银行行业\u003C\u002Fb\u003E平均暴露度最小的因子有PCF，PE，PB。各个因子在\u003Cb\u003E钢铁行业\u003C\u002Fb\u003E的平均暴露度均较小，在\u003Cb\u003E通信行业\u003C\u002Fb\u003E的平均暴露度都比较大。\u003C\u002Fp\u003E\u003Cp\u003E图1展示了PB因子在\u003Cb\u003E食品饮料行业\u003C\u002Fb\u003E的平均暴露度最大，在\u003Cb\u003E钢铁、银行行业\u003C\u002Fb\u003E的平均暴露度最小。\u003C\u002Fp\u003E\u003Cp\u003E图2展示了PE因子在\u003Cb\u003E通信行业\u003C\u002Fb\u003E的平均暴露度最大，在\u003Cb\u003E银行行业\u003C\u002Fb\u003E的平均暴露度最小\u003C\u002Fp\u003E\u003Cp\u003E图3展示了PEG因子在一些\u003Cb\u003E综合性\u003C\u002Fb\u003E的股票中平均暴露度较大，在\u003Cb\u003E电气设备行业\u003C\u002Fb\u003E的平均暴露度最大，在\u003Cb\u003E钢铁行业\u003C\u002Fb\u003E的平均暴露度最小。\u003C\u002Fp\u003E\u003Cp\u003E图4展示了PS因子在\u003Cb\u003E休闲服务行业\u003C\u002Fb\u003E的平均暴露度最大，在\u003Cb\u003E钢铁行业\u003C\u002Fb\u003E的平均暴露度最小。\u003C\u002Fp\u003E\u003Cp\u003E图5展示了PCF因子在\u003Cb\u003E通信行业\u003C\u002Fb\u003E的平均暴露度最大，在\u003Cb\u003E银行行业\u003C\u002Fb\u003E的平均暴露度最小。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-6be408a99ec5e7c943c011a00b644781.jpg\& data-caption=\&\& data-rawwidth=\&860\& data-rawheight=\&457\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图1 PB行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-ad29ca1eb21f66fc89daa38aa21b785a.jpg\& data-caption=\&\& data-rawwidth=\&860\& data-rawheight=\&457\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图2 PE行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-a3f43e9abbb.jpg\& data-caption=\&\& data-rawwidth=\&860\& data-rawheight=\&457\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图3 PEG行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-f3bf85cecfa8.jpg\& data-caption=\&\& data-rawwidth=\&860\& data-rawheight=\&457\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图4 PS行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-f8a4ccf3150bad37a744a2.jpg\& data-caption=\&\& data-rawwidth=\&860\& data-rawheight=\&457\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图5 PCF行业分布差异\u003C\u002Fp\u003E\u003Ch2\u003E二、因子暴露度在不同市值区间的分布差异\u003C\u002Fh2\u003E\u003Cp\u003E\u003Ci\u003E图6到图10展示了因子暴露度在不同市值区间的分布差异\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E因子暴露度在\u003Cb\u003E横截面\u003C\u002Fb\u003E和\u003Cb\u003E时间序列\u003C\u002Fb\u003E上均存在差异，即不同时间的同一个因子的暴露度存在差异，不同市值区间的因子暴露度也存在不同，此次报告中的5个因子都在某一时间段与市值有\u003Cb\u003E递减关系\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cp\u003E图6展示了PB因子在2015年的普遍暴露度较高，并且可以看出一般低市值股票具有较高的PB暴露度。\u003C\u002Fp\u003E\u003Cp\u003E图7展示了PCF因子在2015年和2016年的暴露度较高，在2014年和2017年，一般低市值股票具有较高的PCF暴露度。\u003C\u002Fp\u003E\u003Cp\u003E图8展示了PE因子在2015年和2016年的暴露度较高，在2014年和2017年的有明显的市值区分，与市值有递减的关系\u003C\u002Fp\u003E\u003Cp\u003E图9展示了PEG因子在2015年和2016年的暴露度较高，在2017年与市值有递减的关系。\u003C\u002Fp\u003E\u003Cp\u003E图10展示了PS因子在2014年暴露度较低，在2014年和2015年市值区间之间没有显著的差异，在2016年和2017年与市值有稍微的递减关系\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-600cfbf6c758b7ea44e25.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&369\&\u003E\u003Cp\u003E
图6 PB市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-578d10dfde008a6adfe6cb.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&369\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图7 PCF市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-08e47fe4eae3c53a0ac5ea82a2dbe0cd.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&369\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图8 PE市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-2bcaf447e.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&369\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图9 PEG市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-fafc218cb7.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&369\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
图10 PS市值分布差异\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Ch2\u003E三、因子暴露度的相关关系和自相关性\u003C\u002Fh2\u003E\u003Cp\u003E\u003Cb\u003E\u003Cu\u003E因子暴露度的相互关系\u003C\u002Fu\u003E\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E图11和图12展示了因子暴露度的平均相关性\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E基于\u003Cb\u003E日\u003C\u002Fb\u003E到\u003Cb\u003E日\u003C\u002Fb\u003EPB、PE、PCF、PS、PEG的暴露度数据，计算得到各因子之间的\u003Cb\u003E平均相关性\u003C\u002Fb\u003E如图11、图12所示。可以看出估值大类因子下的细分因子之间相关性都没有预期的高，其中相关性比较明显的是\u003Cb\u003EPCF和PE\u003C\u002Fb\u003E，\u003Cb\u003EPCF和PS\u003C\u002Fb\u003E，\u003Cb\u003EPCF和PB\u003C\u002Fb\u003E因子。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-f94bb4a6f1daacbaabd8.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&435\&\u003E\u003Cp\u003E
估值因子暴露度的pearson相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-ce10c47fe94dc17baa3dcd3a.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&435\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E
估值因子暴露度的spearman相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E\u003Cu\u003E因子暴露度的自相关关系\u003C\u002Fu\u003E\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E图13到图17展示了因子暴露度的自相关系数\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E同时，我们通过计算各子类因子的自相关性发现：各因子的自相关性绝大多数都是稳定衰减的；图15展示了PEG因子的自相关性的\u003Cb\u003E衰减速率较快\u003C\u002Fb\u003E，在第一期到第七期自相关性急速下降；图17展示了PS因子的自相关性\u003Cb\u003E下降最缓慢\u003C\u002Fb\u003E；而且通过spearman计算出的自相关数值普遍高于pearson。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-cc1ec3827afe60a2fdc0d708df2352e6.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&404\&\u003E\u003Cp\u003E
PB因子的暴露度自相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-d84bbcfdb7f1ae60d256ca.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&404\&\u003E\u003Cp\u003E
PCF因子的暴露度自相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-b32a63575efe952efa257e5fa8a27bbb.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&404\&\u003E\u003Cp\u003E
PEG因子的暴露度自相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-5c3519a6bdff46f2dcac.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&404\&\u003E\u003Cp\u003E
PE因子的暴露度自相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-4cf945a8794eda267e26d0ce.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&404\&\u003E\u003Cp\u003E
PS因子的暴露度自相关性\u003C\u002Fp\u003E\u003Ch2\u003E四、因子有效性和稳定性的初步分析\u003C\u002Fh2\u003E\u003Cp\u003EIC： 股票的因子暴露度与下期股票收益率之间的pearson相关系数\u003C\u002Fp\u003E\u003Cp\u003ERANK-IC： 股票的因子暴露度与下期股票收益率之间的spearman相关系数\u003C\u002Fp\u003E\u003Cp\u003EIR： 对应相关系数（IC\u002FRANK-IC）的均值与标准差的比值\u003C\u002Fp\u003E\u003Cp\u003E其中IC和RANK-IC两种指标的计算逻辑存在以下不同：\u003C\u002Fp\u003E\u003Cp\u003EIC 主要衡量因子和收益率之间的\u003Cb\u003E线性关系\u003C\u002Fb\u003E，因子暴露度需要是\u003Cb\u003E正态\u003C\u002Fb\u003E的。\u003C\u002Fp\u003E\u003Cp\u003ERANK-IC 主要衡量\u003Cb\u003E分级定序\u003C\u002Fb\u003E之后因子和收益率之间的相关程度的统计量，因子暴露度不要求是\u003Cb\u003E正态分布\u003C\u002Fb\u003E的，即不对变量的分布做假设，当数据存在异常值的时候较适用，但是由于计算逻辑较复杂，耗费时间较长。\u003C\u002Fp\u003E\u003Cp\u003E通过对比两类相关系数，一般来说，相关系数的绝对值越大，意味着因子预测预期收益率的能力越强，由于样本点的实际分布和正态分布相差较大，所以也计算了spearman秩相关系数，IC衡量\u003Cb\u003E线性相关程度\u003C\u002Fb\u003E，RANK-IC衡量\u003Cb\u003E顺序相关程度\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E这篇报告的因子检验主要从\u003Cb\u003E稳定性\u003C\u002Fb\u003E和\u003Cb\u003E有效性\u003C\u002Fb\u003E两个角度进行诠释。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E4．1 因子相关系数分析\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E4.1.1
因子的IC\u002FRANK-IC统计量和分布\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E表2展示了因子IC和RANK-IC的统计量，包括因子IC均值，IC标准差，NORMAL-IR，RANK-IC均值，RANK-IC标准差，RANK-IR。\u003C\u002Fp\u003E\u003Cp\u003E使用RANK-IC或者IC计算因子暴露度和收益率的相关系数，只在\u003Cb\u003E数值\u003C\u002Fb\u003E上存在细微区别，\u003Cbr\u003ERANK-IC的平均值绝对值比IC的平均值绝对值大，RANK-IC的标准差也比IC的标准差大。\u003C\u002Fp\u003E\u003Cp\u003EPE因子IC和RANK-IC均值的绝对值最大，但是其标准差也较大；PEG因子IC和RANK-IC的标准差最小，但其RANK-IC的均值较小；说明没有一个因子在\u003Cb\u003E有效性\u003C\u002Fb\u003E和\u003Cb\u003E稳定性\u003C\u002Fb\u003E两个方面都可以占据优势\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-2bbbb9fcefa3c2e.jpg\& data-caption=\&\& data-rawwidth=\&1270\& data-rawheight=\&644\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E图18到27展示了因子IC\u002FRANK-IC的分布直方图\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003EPB、PEG这两个因子看出相关系数的分布大部分处于\u003Cb\u003E负半轴\u003C\u002Fb\u003E上。而对于PE、PS、PCF这三个因子，RANKIC和IC的分布在正负区域上分布并不存在很大的区别，说明这三个因子\u003Cb\u003E稳定性\u003C\u002Fb\u003E较弱。\u003Cbr\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-ac569fe2ecd4ad5debbf6d3.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PB因子的IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-9f6de37bd.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PB因子的RANK-IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-007abdc45baf266f7c2ac.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PCF因子的IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-a7fe5057ebeb0e98e028a26cd93aae14.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PCF因子的RANK-IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-c269ddd059fafc.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PE因子的IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-ba4e3daebf7fafafd7923669.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PE因子的RANK-IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-8a813c064b70c428d51b3daa3eba915a.jpg\& data-caption=\&\& data-rawwidth=\&536\& data-rawheight=\&364\&\u003E\u003Cp\u003E
PEG因子的IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-69f81e2abc185954dce99afe.jpg\& data-caption=\&\& data-rawwidth=\&539\& data-rawheight=\&373\&\u003E\u003Cp\u003E
PEG因子的RANK-IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-15fc46dbcbf98aaa4a4e49aa.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PS因子的IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-7bbde494bc85.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
PS因子的RANK-IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E4.1.2 因子的IC\u002FRANK-IC时间序列\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E图28到图42展示了因子IC\u002FRANK-IC时间序列图，其中移动平均是窗口大小为6\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E图28和图29展示了PB因子在2015年到2016年之间的IC波动频繁，PB因子的暴露度在市场不稳定的时候波动较大，图29展示了PB因子的RANK-IC在2017年大部分都小于0，说明PB因子暴露度和收益率存在较明显的负相关趋势性。\u003C\u002Fp\u003E\u003Cp\u003E图31和图32展示了PCF因子的移动平均在负半轴上的绝对值增大，PCF因子近期暴露度和收益率存在负相关趋势性。\u003C\u002Fp\u003E\u003Cp\u003E图34和图35展示了PE因子的IC和RANK-IC的数值上较大。\u003C\u002Fp\u003E\u003Cp\u003E图37和图38展示了PEG因子的移动平均值在负半轴上的绝对值增大，近期PEG因子相关性存在较强的负向趋势。\u003C\u002Fp\u003E\u003Cp\u003E图40和图41展示了PS因子的IC和RANK-IC的波动频繁，可能存在噪音。\u003C\u002Fp\u003E\u003Cp\u003E综合图30\u002F33\u002F36\u002F39\u002F42，在PB、PE、PCF、PS、PEG五个因子的大部分时间段，IC和RANKIC没有明显的差异，当相关系数在数量上增大的时候，RANKIC和IC的差异会扩大。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-ec3beedb9da6cd685caf3887394fdb89.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
PB因子的IC时间序列和IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-b38daf5c5de604a9540a.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图29 PB因子的RANK-IC时间序列和RANK-IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-0bf18a57f9cc72b95fc002e.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图30 PB因子的IC和RANK-IC对比\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-e4fb7f0a2af.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图31 PCF因子的IC时间序列和IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-9b13cbc12febfe167b499d3.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图32 PCF因子的RANK-IC时间序列和RANK-IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-fe7b59f8ab822aeb5e77.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图33 PCF因子的IC和RANK-IC对比\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-d12d21aa5a647fea4f268c54d09ea904.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图34 PE因子的IC时间序列和IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-5aae7a0ea7c57fd1a0c87914.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图35 PE因子的RANK-IC时间序列和RANK-IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-2a03bf65ee9fbc6c393dc.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图36 PE因子的IC和RANK-IC对比\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-8da455e9cc9b04d883bae.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图37 PEG因子的IC时间序列和IC的移动平均\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-5da1f9a8bdcf6d8c60d3edc333b566d7.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图38 PEG因子的RANK-IC时间序列和RANK-IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-f2beba408b58fe99aeef2.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图39 PEG因子的IC和RANK-IC对比\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-659abc1abe8a22ab6a9004.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图40 PS因子的IC时间序列和IC的移动平均\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-8e429d8cde002cec96f2c28df6c5add8.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图41 PS因子的RANK-IC时间序列和RANK-IC的移动平均\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-f72dc6f38dc109d45ded.jpg\& data-caption=\&\& data-rawwidth=\&553\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图42 PS因子的IC和RANK-IC对比\u003Cbr\u003E\u003Cbr\u003E\u003Cb\u003E4．1.3 IC\u002FRANK-IC相关的自定义比例指标\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E一般而言，市场风格不是一层不变的，而是轮动的，所以所求的IC或者RANK_IC的相关系数会存在符号上的切换，所以在选择因子的时候，一般是计算相关系数正负的比例，选择相关比例较高的一个方向作为因子在未来的预测方向。这里选择了\u003Cb\u003E正相关显著比例\u003C\u002Fb\u003E、\u003Cb\u003E负相关显著比例\u003C\u002Fb\u003E、\u003Cb\u003E同向显著比例\u003C\u002Fb\u003E和\u003Cb\u003E状态切换比例\u003C\u002Fb\u003E作为衡量因子方向的指标。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E指标的相关定义如下：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E显著\u003C\u002Fb\u003E：是指相关系数的显著性水平小于一定阈值的样本。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E正相关显著比例：\u003C\u002Fb\u003E显著的正相关系数占样本的比例\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E负相关显著比例：\u003C\u002Fb\u003E显著的负相关系数占样本的比例\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E状态切换显著比例\u003C\u002Fb\u003E：前后两期中相关系数符号相反占样本的比例。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E同向显著比例\u003C\u002Fb\u003E：前后两期中相关系数符号相同占样本的比例。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E所以：假如同向显著比例占上风，则意味着该段时间内因子的风格延续性较强，可以使用\u003Cb\u003E动态权重\u003C\u002Fb\u003E来调整因子的权重；同理，如果状态切换比例占上风，对于因子的赋权应该使用\u003Cb\u003E静态权重\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cp\u003E以\u003Cb\u003E最近一年时间即日到日的因子数据\u003C\u002Fb\u003E为研究对象\u003C\u002Fp\u003E\u003Cp\u003E图43、44展示了PE，PEG，PCF，PB，PS五个因子的IC显著的状态切换比例，同向显著比例，负相关比例，正相关比例。\u003C\u002Fp\u003E\u003Cp\u003E可以看出PE因子的IC同向显著比例较高，并且IC负相关显著比例高，说明PE因子暴露度与收益率可能存在负相关关系，并且这种关系可能持续下去。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-4b72dfbbdff0ebc6dc6ea1.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图43 IC自定义比例指标\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-e105a9c291bf68de18cd3866.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&415\&\u003E\u003Cp\u003E
图44 RANK-IC自定义比例指标\u003Cbr\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cb\u003E4．1.4 IC\u002FRANK-IC相关的自定义趋势指标和显著指标\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E此次报告衡量因子是否显著的标准有两个条件\u003C\u002Fp\u003E\u003Cp\u003E1、相关系数的正负显著比例至少有一项大于阈值A，\u003C\u002Fp\u003E\u003Cp\u003E2、相关系数的正负显著比例之和大于阈值B，\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E此次报告中阈值A = 0.35，阈值B= 0.6\u003C\u002Fp\u003E\u003Cp\u003E因子是否具有趋势性：\u003C\u002Fp\u003E\u003Cp\u003E因子具有趋势性：同向显著比例大于显著状态切换比例\u003C\u002Fp\u003E\u003Cimg src=\&v2-1bb8f8e38baf68d41e63fc80.jpg\& data-caption=\&\& data-rawwidth=\&1474\& data-rawheight=\&676\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E4.2收益率分析\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E图45展示了PB因子第四组分组收益累计最高，其他几组之间没有显著差异，并且这种差异是从2016年开始显现出来的，说明最近一年的暴露度和收益的相关关系可能出现反转。观察PB因子的IC时间序列图也可以看出IC在2016年开始转为正值。\u003C\u002Fp\u003E\u003Cp\u003E图46展示了PCF可以看出在牛市第一组和第四组因子组合可以获得快速上涨的收益，而第三组表现最差。通过对比IC和RANK-IC的时间序列在2015年移动均值的绝对值有减小的趋势，说明暴露度和收益率的相关系数出现波动，也说明了PCF的稳定性减弱。\u003C\u002Fp\u003E\u003Cp\u003E图47展示了PE因子的第一组和第三组累计收益较高，两者之间没有显著差异，这种差异从2015年开始显现出来，RANK-IC时间序列的移动平均值从2015年之后大部分处于小于零的部分，说明第一、三组和其他几组的累计收益的差异有可能扩大。\u003C\u002Fp\u003E\u003Cp\u003E图48展示了PEG的因子累计收益其他几组没有显著差异，第4组表现较差。\u003C\u002Fp\u003E\u003Cp\u003E图49展示了PS因子第三组累计收益最低，并且这种差异从2015年开始； IC和RANK-IC的移动平均值在2015年位于零值附近波动，说明因子暴露度和收益率之间没有固定的相关方向，PS因子在牛市和股灾期间的稳定性较差。\u003C\u002Fp\u003E\u003Cp\u003E综上所述PB、PS、PE、PEG、PCF因子暴露度与收益\u003Cb\u003E没有线性关系\u003C\u002Fb\u003E。\u003Cbr\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-4da6fd08bf.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图 45 PB因子的分组累计收益\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-fc5cadbcb5c15c431ba68c9.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图 46 PCF因子的分组累计收益\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-1eaef59ccad0a5a1763160.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图47 PE因子的分组累计收益\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-6da55bebb78bb461d5ee7.jpg\& data-caption=\&\& data-rawwidth=\&557\& data-rawheight=\&384\&\u003E\u003Cp\u003E
图48 PEG因子的分组累计收益\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-6b3c0ac2e72.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图 49 PS因子的分组累计收益\u003C\u002Fp\u003E\u003Ch2\u003E五、小结\u003C\u002Fh2\u003E\u003Cp\u003E通过上面的分析可以得出以下结论：\u003C\u002Fp\u003E\u003Cp\u003E1、 此次所选的五个因子与收益率在长期上都存在负相关关系\u003C\u002Fp\u003E\u003Cp\u003E2、 在时间序列上，PEG因子的暴露度相对其他因子较为稳定，在近一年表现出较强的趋势性\u003C\u002Fp\u003E\u003Cp\u003E3、 PE因子的负相关性比较显著，并且有一定的趋势性，通过观察RANK-IC的同向显著比例和负相关显著比例，PE因子可能比其他因子更加有负向的趋势性，稳定性更好\u003C\u002Fp\u003E\u003Cp\u003E4、 PB因子的分布有明显的左偏，并且分布比较规范，但是稳定性表现一般。\u003C\u002Fp\u003E\u003Cp\u003E5、 PCF、PS因子近期的稳定性和有效性表现一般\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E作者：小湖、戴宇\u003C\u002Fp\u003E\u003Cp\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T08:57:01.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:0,&likeCount&:18,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T16:57:01+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-590b65fb8d233dc75bf537f37e3a893d_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:0,&likesCount&:18},&&:{&title&:&Tesnor Ridge Regression 与多信息源因子张量表征&,&author&:&Uekyoung&,&content&:&\u003Ch2\u003E首先给自己打个广告，应届小硕，求量化相关工作、实习。\u003C\u002Fh2\u003E\u003Cp\u003E联系信箱：\u003Ca href=\&mailto:\&\\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E#
更新\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\u002Fwww.ricequant.com\u002Fcommunity\u002Ftopic\u002FF\u002F3\&\u003E简单示例代码\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\u002Fgithub.com\u002FAlphaSmartDog\u002FDeepLearningNotes\&\u003Egithub\u003C\u002Fa\u003E markdown和pdf版本见github\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E本文先简单归纳《A Tensor-Based Information Framework for Predicting the Stock Market 》中介绍的一种探索多维数组（张量）表征多因子并计算不同因子抽象关系并降低维度的方法，然后归纳《Tensor Learning for Regression 》中介绍的Tesnor Ridge Regression算法，通过CP分解张量降低需要估计回归系数（因子收益率）的数量。\u003C\u002Fp\u003E\u003Cp\u003E股票趋势受各种高度相关信息的强烈影响，这通常涵盖经济学、政治学和心理学等多方面研究。传统的有效市场假说（EMH）指出，股价总是由“理性”的投资者驱动，股价等于公司预期未来现金流的理性现值。与市场有关的新信息可能会改变投资者的期望，并导致股价波动，这种对信息反应的分歧导致股价的实际价格与内在价值之间的差异。竞争市场参与者导致股价波动周围的股价内在价值，即新信息对股价产生复杂的影响。然而，股价并不严格遵循随机游走，行为金融研究将股票趋势的非随机性归结为投资者由于认知和情绪偏见的对不利消息的过度反应。虽然传统金融和行为金融均认为新的信息对股票趋势产生复杂影响。\u003C\u002Fp\u003E\u003Cp\u003EA股市场刨除内幕等操作方法为，一般分为基本面分析和技术分析两类。基本面分析通常通过构建经济、商业和市场行业等多信息源的数据与股票未来走势之间的关系来预测股票趋势，即国家整体经济，行业条件，公司的财务状况和管理层能力等因素，可以深度拆解股价未来走势。技术分析通过历史股票趋势预测股价未来走势，技术分析流派认为股价市场是周期性或者类周期性的，并且具有特定的模式，这些模式随着时间的推移而重复出现。\u003C\u002Fp\u003E\u003Cp\u003E受到移动互联网的影响，股票信息迅速更新并以前所未有的速度传播，并且通常在正式统计报告之前向投资者对投资者产生影响。用户参与社交媒体（包括评论，评分和投票）的变化可以更快速地互动交换信息。这种情况可能导致群体投资行为，因为投资者的决策倾向于受同行的情绪影响。目前常见的做法是使用NLP量化新闻和社交网络的新信息提供定性信息，如舆情指数。影响股票趋势的信息是多方面的且互相影响的，反映到因子数据方面就是存在多重共线性。\u003C\u002Fp\u003E\u003Cp\u003E传统的线性回归将多个信息源（模式）的特征（无量纲因子）连接到一个复合特征的向量中处理。由于维度灾难和多重共线性，这种做法限制了多因子模型囊括因子数量。此外使用马赛克拼接(mosaic approach)通常包含各种信息源的混合和交互，但级联向量假设每个信息膜是是相互独立的。如下图这里，矩阵用于建模简化的投资信息源，其中每行代表一种信息模式，如企业信息、事件信息或情绪信息。根据马赛克拼接信息结构，特征模式可以存在于不同信息源（行）或不同模式之间。\u003C\u002Fp\u003E\u003Cimg src=\&v2-c183f6eb89b0937cde6d9d2ef72e0ace.jpg\& data-rawwidth=\&492\& data-rawheight=\&450\&\u003E\u003Cp\u003E如图右所示，删除马赛克信息结构并将各种信息模式的特征连接成一个复合特征向量，级联向量方法忽略了各种信息模式之间的固有链路导致明显的相似性的出现。除了在一个信息矩阵中捕获各种模式之间的这些静态互连之外，重要的是在一系列信息矩阵之间识别和强调各种模式之间的动态连接。例如，在不同时间发布的两篇新闻文章可能是文本上不相似的，但两者可能包含有关相同股价的有利信息。此外，在这两个时间点的相应的企业特定数据可能相似，可能表明良好的投资机会。在这种情况下，可以通过相应的基本面数据的相似性来增强不同文本信息处理、舆情指数相似性。捕捉，推论和加强各种信息模式之间的动态关系将有利于提高对股票趋势的预测能力。\u003C\u002Fp\u003E\u003Cp\u003E此文中应用基于张量的信息框架来捕捉新信息与股票走势之间的非线性关系。该框架使用全局维数降低算法和基于张量的回归获取多信息源之前的非线性关系，并研究这些信息源对股票趋势的影响。影响股票走势的各种信息因素，在过去已被广泛研究。 传统金融主要集中在企业特定因素的长期影响上，而现代行为金融主要集中在公众情绪和当前事件造成的短期影响。此文试图通过建立多维度模型处理各种信息源对股票趋势的共同影响。这里将信息按照信息源分成三类：(a) 企业特定模型信息模式：主要指企业的基本面和量价因子；(b) 事件特定模式：主要指新闻资讯对股价走势的影响，受新信息的影响，股票投资者不断更新他们公司经营情况等基本面及股价走势的看法或非理性投资者的情绪。具体来说，可以对相关新闻文章使用词向量表示，其中每个条目是名词和情感词的加权。(c) 情绪特定模式：发达的社交媒体使一部分投资者潜意识群体和情绪的影响，这可能导致投资者的群体性行为。\u003C\u002Fp\u003E\u003Cimg src=\&v2-00f20dcb02aa630dbd842bdfa6f06008.jpg\& data-rawwidth=\&757\& data-rawheight=\&286\&\u003E\u003Cp\u003E可以使用张量处理多信息源信息的相互关联特性，这里使用三阶张量表示三种不同的信息模式。将三种不同信息源的信息（因子）填入张量不同维度（形成一个稀疏张量），如下图，应用张量分解和重构来降低维度，加强不同信息模式的内在联系。通过使用张量分解子空间中的因子矩阵来实现从张量序列的几何结构中识别出几个信息源之间的深层关联。使用Tucker分解因子张量 \u003Cequation\u003E\\mathcal{X}_i = \\mathcal{C}_i \\times_1 U^{i_1} \\times_2 U^{i}_2 \\times_3U^{i}_3\u003C\u002Fequation\u003E 使用GDR算法计算因子矩阵修正矩阵并重新合成信息因子张量 \u003Cequation\u003E\\bar{\\mathcal{X}_i} = \\mathcal{C}_i \\times_1(V^T_1 U^{i_1}) \\times_2 (V^T_2 U^{i}_2) \\times_3(V^T_3U^{i}_3)\u003C\u002Fequation\u003E 这样多信息源的原始因子稀疏张量转化为低维度的密集因子张量。 \u003Cequation\u003E\\mathcal{X}\\in\\mathbb{R}^{I_1 \\times I_2 \\times I_3} \\to \\bar{\\mathcal{X}} \\in \\mathbb{R}^{J_1 \\times J_2 \\times J_3}\u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cimg src=\&v2-f6ab02b4fa73b1e9eece83.jpg\& data-rawwidth=\&659\& data-rawheight=\&449\&\u003E\u003Cp\u003E尽管通过前述步骤分解-重构技术可以大大压缩稀疏的因子张量的体积规模，然而使用传统的方法如张量向量化估计张量回归权重系数依然具有较大的难度。例如对形状为[30, 30, 10]因子张量进行回归，张量向量化的处理方法导致权重系数张量需要估计 \u003Cequation\u003E30 \\times 30 \\times 10 = C\u002Fequation\u003E 个权重参数（标量），对于传统多因子模型这显然是不实用。可以通过使用张量分解的方法（如CP分解）大幅度降低所需估计的权重系数的数量，从而将张量回归方法嵌入传统多因子体系中。例如在《Tensor Learning for Regression 》介绍的tensor ridge regression。对上面的假设，使用CP分解权重张量之后，例如分解为4个坐标基（秩一张量）累加和则只需要估计 \u003Cequation\u003E(30 + 30 +10) \\times 4 =280\u003C\u002Fequation\u003E 个权重参数。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Ey_i = \\left&\\mathcal{X},\\mathcal{W} \\right & + b\\\\=\\left& \\mathcal{X}, \\sum\\limits^R_{r=1} u^{(1)}_r \\circ u^{(2)}_r \\circ \\cdots \\circ u^{(M)}_r \\right& + b\\\\=\\sum\\limits^R_{r=1} \\left& \\mathcal{X}, u^{(1)}_r \\circ u^{(2)}_r \\circ \\cdots \\circ u^{(M)}_r \\right& + b\\\\=\\sum \\limits ^{R} _{r=1} \\mathcal{X} \\prod^{M_{k=1}} \\times_k u^{(k)}_r\u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cp\u003E对一组给定的有标签训练集 \u003Cequation\u003E \\{ \\mathcal{X}_i ,y_i \\}^N_{i=1}\u003C\u002Fequation\u003E 其中 \u003Cequation\u003E\\mathcal{X}_i = \\mathbb{R}^{I_1 \\times \\cdots I_M}\u003C\u002Fequation\u003E 为 \u003Cequation\u003EM-mode\u003C\u002Fequation\u003E 张量， \u003Cequation\u003Ey_i\u003C\u002Fequation\u003E 为对应的标量标签。评估权重参数的目标函数可以写作\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003E\\mathcal{L} (\\mathcal{W},b) = \\frac{1}{2} \\sum\\limits^{N}_{i=1} l(y_i, f(\\mathcal{X}_i, \\Theta)) + \\frac{1}{2} \\psi(\\Theta)\u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cp\u003E其中 \u003Cequation\u003El(\\cdot)\u003C\u002Fequation\u003E
偏差损失函数， \u003Cequation\u003E\\psi (\\cdot)\u003C\u002Fequation\u003E 惩罚函数。当使用响应变量和标签差最小平方和作为损失函数的时候就是张量形式的最小二乘估计，添加2范数作为惩罚函数便得到张量形式的岭回归。在不使用惩罚项修正权重参数的时候，即张量形式的最小二乘回归中偏置 \u003Cequation\u003Eb\u003C\u002Fequation\u003E 直接使用上式得出，在使用 \u003Cequation\u003EL2-norm\u003C\u002Fequation\u003E 修正权重参数的时候由于偏置权重参数同时被修正，这导致常数偏置项的错误。所以TRR的常数偏置应该使用无偏置回归的残差平均值获得，也就是使用无偏置回归模型的残差平均值计算偏置，但哑变量表示的行业收益率可以直接计算。\u003C\u002Fp\u003E\u003Cimg src=\&v2-766f25ec71f543f5c8365.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-3ead6ffc8e3fd9feb230.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-1ecf72efa4cba5.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-cf78e4ba6ccc.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-6ef8f43dce71dcc8f86beaabe4857f81.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-c230b4ee9d129531aee7f4ba71c30d29.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-6af4a1b8e18ec42b1ad4.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-f865ae64e54fa36b36a264b40f3aac50.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-55a1b20f3b9ec.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-acf23ea2d396c2.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-aecaafbede23a.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-75fbddbaa9b35d3bb597e.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cimg src=\&v2-bfa0e5d003f8da281b935f3.jpg\& data-rawwidth=\&1536\& data-rawheight=\&2048\&\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\u002Fgithub.com\u002FAlphaSmartDog\u002FDeepLearningNotes\&\u003Egithub\u003C\u002Fa\u003E markdown和pdf版本见github\u003C\u002Fp\u003E&,&updated&:new Date(&T12:30:11.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:0,&likeCount&:19,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T20:30:11+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-fffaeb5fdf90a23c096eb_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:0,&likesCount&:19},&&:{&title&:&DQN与HS300指数择时&,&author&:&Uekyoung&,&content&:&\u003Cp\u003E 更新\u003C\u002Fp\u003E\u003Cp\u003E重构了一下DQN期货则时，样本外效果还不错。\u003C\u002Fp\u003E\u003Cp\u003E日频交易，股指期货策略，单纯判断方向信号。\u003C\u002Fp\u003E\u003Cimg src=\&v2-cce30fedeae069b7b0873a4.jpg\& data-caption=\&胜率: 0.\& data-size=\&normal\& data-rawwidth=\&944\& data-rawheight=\&351\&\u003E\u003Cimg src=\&v2-1b0fe80f9ca86bfe3b13482c.jpg\& data-caption=\&胜率: 0.5868\& data-size=\&normal\& data-rawwidth=\&1152\& data-rawheight=\&432\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E 更新粘合RQAlpha版本见文后\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E假期突击入门增强学习(reinforcement learning)，简单构建了一个简单的运算框架加深对RL的理解。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E指数择时的外部Environment 简单的使用日线HS300指数bar数据，在每交易日使用开盘价响应Agent的行为（沽空、沽多和空仓），使用收盘价+账户现金存余为当日账户总值。\u003C\u002Fp\u003E\u003Cp\u003E下图为Agent使用完全探索策略运行5000次，账户总值走势。\u003C\u002Fp\u003E\u003Cimg src=\&v2-c779f2c9bb53c7f5817d.jpg\& data-caption=\&\& data-size=\&normal\& data-rawwidth=\&947\& data-rawheight=\&356\&\u003E\u003Cp\u003EAgent使用greedy policy作为行为选择策略与Environment交互的账户总值走势。\u003C\u002Fp\u003E\u003Cimg src=\&v2-386e6d2e3cbf86.jpg\& data-caption=\&\& data-size=\&normal\& data-rawwidth=\&947\& data-rawheight=\&356\&\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E不同于此前博客介绍的RNN用于股票的预测，RL在每个state（或帧）预测的是折扣未来预期收益（此处可以理解为远期标折现）。对比RNN模型，RL模型在对股票市场未来走势的预测方面更加宽松或更鲁棒。RL在 \u003Cequation\u003Es_t\u003C\u002Fequation\u003E 生的预测由未来预期收益由真实奖励 \u003Cequation\u003ER_t\u003C\u002Fequation\u003E 和逼近函数模型估计未来一段时间折扣收益组成。这相比于RNN更加宽松，因为我们不能期望股票市场的模式或者状态与未来股价走势存在严格的函数关系，也就是不应该期望在 \u003Cequation\u003Et\u003C\u002Fequation\u003E 时刻的事件精准的反馈在 \u003Cequation\u003Et+k\u003C\u002Fequation\u003E 时刻的股价上面。此外通常在实际使用RL模型的时候不需要特别精确的收敛，通常只要达到一定的准确程度或一定的收敛范围即可。\u003C\u002Fp\u003E\u003Cp\u003ERL在状态state( \u003Cequation\u003Es_t\u003C\u002Fequation\u003E )预测是庞大但数量有限的预期收益折现累加和。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Epredict_t= G_t \\doteq \\sum_{k=0}^{\\infty} \\gamma^k R_{t+k+1}\\\\=R_t+ \\sum_{k=1}^{\\infty} \\gamma^k R_{t+k+1} \u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cp\u003ERNN在状态 \u003Cequation\u003Es_t\u003C\u002Fequation\u003E 预测的是未来某个节点或者节点很小波动范围内的预期收益。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Epredict_t= R_{t+k} + Var(R_{t+k}) \u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cp\u003E然而针对决策过程设计的RL系统，大多数强制假设马尔可夫决策过程(Markov Decision Processes)，当然这在工程应用中具有极好的效果，通常非马尔科夫属性的决策过程也可以通过MDP有效的近似。然而不同于工业应用场景，虚拟交易员(Agent)在A股市场面对的是一个动态变化的环境，不同于前面的工业应用，A股市场Environment 的规则是动态变动的，并且这种变动通常无法从盘面数据预测。此外，RL系统一般可以通过选择action来控制或影响情景发展，如AlphaGo、DQN等在围棋、游戏上面的动作可以切实影响RL决策系统未来接受的state， 但是Agent的行为难以影响A股市场，或无法捕捉这种行为影响。也就是，Agent对action的决策只能影响到未来获得奖励，而无法对交互环境产生影响。\u003C\u002Fp\u003E\u003Cp\u003EAgent for game\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Eaction \\to reward\\ and \\ next\\ state\u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cp\u003EAgent for A股\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003Eaction \\to reward\u003C\u002Fequation\u003E \u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\u002Fwww.ricequant.com\u002Fcommunity\u002Ftopic\u002FF\&\u003E实现链接\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\u002Fgithub.com\u002FAlphaSmartDog\u002FDeepLearningNotes\u002Ftree\u002Fmaster\u002FNote-5%20Agent%20Thinker\u002FThinkerV2mini\&\u003Egithub\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\u003C\u002Fp\u003E\u003Cp\u003E 更新粘合RQAlpha版本\u003C\u002Fp\u003E\u003Cp\u003E设计Environment净值走势\u003C\u002Fp\u003E\u003Cimg src=\&v2-eb989fcd9a5e06632c52d.jpg\& data-caption=\&\& data-size=\&normal\& data-rawwidth=\&947\& data-rawheight=\&356\&\u003E\u003Cp\u003E使用RQAlpha的净值走势\u003C\u002Fp\u003E\u003Cimg src=\&v2-5caddc26b49.jpg\& data-caption=\&\& data-size=\&normal\& data-rawwidth=\&1061\& data-rawheight=\&359\&\u003E\u003Cp\u003E\u003Ca href=\&https:\u002F\u002Fwww.ricequant.com\u002Fcommunity\u002Ftopic\u002FF%E7%99%BD%E9%93%B6%E6%9C%9F%E8%B4%A7%E6%8B%A9%E6%97%B6%E6%A1%86%E6%9E%B6-rqalpha%E4%B8%8Edqn%E7%9A%84%E7%AE%80%E5%8D%95%E7%B2%98%E5%90%88\&\u003ERQ链接\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T00:48:38.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:11,&likeCount&:15,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T08:48:38+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-3c956f653177aebc71d08_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:11,&likesCount&:15},&&:{&title&:&第二篇 波动率因子分析&,&author&:&gu-feng-5-32&,&content&:&\u003Cp\u003E在现代投资组合理论中，马科维茨首先提出可以使用资产收益序列的标准差来衡量其波动情况，自此以后收益波动率成为最常用的风险度量之一。在传统的资产定价理论中，资产波动率是最重要的参数之一。波动率越大，资产预期收益的不确定性越高，资产公允价格也越高，来作为投资者承担收益不确定性的风险补偿。从我们下文分析结果来看，个股波动率因子暴露度和其未来预期收益总体上存在负相关（详见“IC分析”和“收益分析”），表明投资者更偏好于持有低波动率的个股，而高波动率的个股长期而言并未获得相应的风险补偿。\u003C\u002Fp\u003E\u003Cp\u003E在上一期多因子检验研究报告中，我们对估值因子进行了系统检验。在本期报告中，我们进一步使用股票量价数据的波动率作为选股因子。传统的套利定价理论（Arbitrage Pricing Theory，APT）把影响股票价格的因子分成\u003Cb\u003E公共因子\u002F风格因子\u003C\u002Fb\u003E（common\u002Fstyle\u003Cbr\u003Efactors）及\u003Cb\u003E特异因子\u003C\u002Fb\u003E（Idiosyncratic\u003Cbr\u003Efactor）两类。其中公共因子用于刻画影响全市场股票价格的共同因素，而特异因子则用于捕捉个股自身的波动特征。在本期报告中，我们选取了2个公共波动率因子和5个特异波动率因子进行系统检验（图1）。测试时间区间为\u003Cb\u003E日~日\u003C\u002Fb\u003E，测试股票池为\u003Cb\u003E全市场\u003C\u002Fb\u003E，调仓时间为每\u003Cb\u003E周一\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cimg src=\&v2-355aa5b27e73d31050b4abe08e022ed3.jpg\& data-caption=\&\& data-rawwidth=\&584\& data-rawheight=\&341\&\u003E\u003Cp\u003E
图1：因子检验流程图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E一、因子定义\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E本次报告所采用的波动率因子定义见表1，其中，STD和VOLBT为公共波动率因子，用于刻画影响全市场股票指标波动的共同因素；其余5个因子为特质波动率因子，用于捕捉个股自身的波动特征。具体波动率因子计算表达式详见附录1。\u003C\u002Fp\u003E\u003Cimg src=\&v2-dcd886caa543d08a52b412dbcad1a4c3.jpg\& data-caption=\&\& data-rawwidth=\&601\& data-rawheight=\&455\&\u003E\u003Cp\u003E\u003Ci\u003E备注：\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E1、\u003C\u002Fi\u003E \u003Ci\u003E市场因子：上证指数的日收益率\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E2、\u003C\u002Fi\u003E \u003Ci\u003E市值因子：定期取流通市值最小的1\u002F3只股票和市值最大的1\u002F3只股票，分别按照流通市值加权计算收益率，使用小市值股票组合和大市值股票组合的收益差作为市值因子。\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E3、\u003C\u002Fi\u003E \u003Ci\u003E估值因子：定期取估值最小（即PB最小）的1\u002F3只股票和估值最大的1\u002F3只股票，分别按照流通市值加权计算收益率，使用估值小的股票组合和估值大的股票组合的收益差作为估值因子。\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E4、\u003C\u002Fi\u003E \u003Ci\u003E动量因子：定期取过去30天累计收益率最小的1\u002F3只股票和累计收益率最大的1\u002F3只股票，分别按照流通市值加权计算收益率，使用累计收益高的股票组合和累计收益低的股票组合的收益差作为动量因子。\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E二、 因子暴露度的相关性\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E图2.1和图2.2展示了因子暴露度的平均相关性，基于日到日STD，VOLBT，IVCAPM，IVFF，IVFF_DOWN，IVFF_UP，IVCARHART七个因子的暴露度数据，计算出各个因子之间暴露度的平均相关系数如图2.1和2.2所示。可以看出采用FF模型和CARHART模型的计算出的特质波动率因子的相关性都较高，其中IVFF和IVCARHART因子之间，使用两种方式（pearson、spearman）计算的平均相关系数都是0.98。但是VOLBT与其他因子的相关系数不高，说明了根据成交量计算的\u003Cb\u003EVOLBT与其他因子的表现可能有所不同。\u003C\u002Fb\u003E \u003C\u002Fp\u003E\u003Cimg src=\&v2-e60e120e48ba2c948f83a209d199da47.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图2.1 波动率因子暴露度的Pearson相关性\u003C\u002Fp\u003E\u003Cimg src=\&v2-e23a937a21c37dc454e45.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&442\&\u003E\u003Cp\u003E
图2.2 波动率因子暴露度的spearman相关性\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E三、 因子暴露度的自相关关系\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E图3.1和图3.2展示了使用pearson和spearman计算的波动率因子自相关系数，这两种计算方式结果并没有太大区别；std因子的\u003Cb\u003E衰减速率最低\u003C\u002Fb\u003E，IVFF和IVCARHART两个因子的自相关性\u003Cb\u003E衰减速率\u003C\u002Fb\u003E没有明显差异，IVFF_UP因子的自相关性\u003Cb\u003E衰退速率最快\u003C\u002Fb\u003E。这说明股票的波动特征具有较强的延续性，而不同时期的特异波动率则变化较快。\u003C\u002Fp\u003E\u003Cimg src=\&v2-7d8efa7fc4.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&397\&\u003E\u003Cp\u003E
图3.1 波动率因子的pearson自相关性对比图\u003C\u002Fp\u003E\u003Cimg src=\&v2-f9d0d6a0f214d4b17330cf9dbdc78f5f.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&397\&\u003E\u003Cp\u003E
图3.2 波动率因子的spearman自相关性对比图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E四、 IC分析\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E因子有效性是指因子是否可以获得持续、稳定的alpha收益，本次报告主要使用IC分析及其衍生的指标对因子的有效性进行评估。\u003C\u002Fp\u003E\u003Cp\u003E4.1 IC的统计分析\u003C\u002Fp\u003E\u003Cimg src=\&v2-ed17d431c6f954f01be930.jpg\& data-caption=\&\& data-rawwidth=\&566\& data-rawheight=\&262\&\u003E\u003Cp\u003E对于所有因子我们分别在\u003Cb\u003E整个测试时期\u003C\u002Fb\u003E进行相关系数统计量分析。根据表4.1，可以看出波动率因子的IC平均值都小于零，其中，\u003Cb\u003E特质波动率因子的IC平均值的绝对值比较高，并且IR（信息率）的绝对值较大\u003C\u002Fb\u003E，说明特质波动率因子和收益率有较明显的\u003Cb\u003E负相关关系，对于预测未来收益率存在一定的参考价值\u003C\u002Fb\u003E；VOLBT因子的IC标准差最小，说明VOLBT的IC分布较集中，但是在测试期间内的IR值偏小，说明该因子对未来收益率上没有可以太多的参考价值。\u003C\u002Fp\u003E\u003Cp\u003E图4.1展示了因子的IC的分布直方图，可以看出\u003Cb\u003EVOLBT的IC分布更加集中\u003C\u002Fb\u003E，但是偏离零的距离不大，其余的因子相对于零有\u003Cb\u003E左偏\u003C\u002Fb\u003E的趋势； \u003C\u002Fp\u003E\u003Cimg src=\&v2-30f42b91dd9efe93fc57fc153c1b86bf.jpg\& data-caption=\&\& data-rawwidth=\&575\& data-rawheight=\&301\&\u003E\u003Cimg src=\&v2-0a45d6df827ee.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图4.1波动率因子的IC分布直方图\u003C\u002Fp\u003E\u003Cp\u003E4.2 IC的特征分析\u003C\u002Fp\u003E\u003Cp\u003E一般而言，市场风格不是一层不变的，而是轮动的，所以根据上面定义的IC会存在符号上的切换，所以在选择因子的时候，一般是计算相关系数正负的比例，选择相关比例较高的一个方向作为因子在未来的预测方向。这里选择了\u003Cb\u003E正相关显著比例\u003C\u002Fb\u003E、\u003Cb\u003E负相关显著比例\u003C\u002Fb\u003E、\u003Cb\u003E同向比例\u003C\u002Fb\u003E和\u003Cb\u003E状态切换比例\u003C\u002Fb\u003E作为衡量因子方向的指标。\u003C\u002Fp\u003E\u003Cp\u003E假如同向显著比例占上风，则意味着该段时间内因子的风格延续性较强，可以使用\u003Cb\u003E动态权重\u003C\u002Fb\u003E来调整因子的权重；同理，如果状态切换比例占上风，对于因子的赋权应该使用\u003Cb\u003E静态权重\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cp\u003E特征分析中相关名词的定义如下：\u003C\u002Fp\u003E\u003Cimg src=\&v2-e66dde9d1ac.jpg\& data-caption=\&\& data-rawwidth=\&576\& data-rawheight=\&231\&\u003E\u003Cp\u003E表4.2展示了测试期间波动率因子的相关系数的特征分析，可以看出\u003Cb\u003EIVFF、IVCARHART两个波动率因子的负相关显著比例和同向切换比例较突出\u003C\u002Fb\u003E，即IVFF和IVCARHART两个因子暴露度与收益率可能存在较明显的负相关关系的趋势。\u003C\u002Fp\u003E\u003Cimg src=\&v2-ee407e3dd879e3b.jpg\& data-caption=\&\& data-rawwidth=\&626\& data-rawheight=\&192\&\u003E\u003Cp\u003E4.3 IC的时间序列分析\u003C\u002Fp\u003E\u003Cp\u003E此次我们采用了移动平均窗口为\u003Cb\u003E24周\u003C\u002Fb\u003E的移动平均线对比不同波动率因子在时间序列上的不同。图4.3展示了波动率因子IC移动平均对比情况，可以看出剔除市值因素和估值因素的特质波动率因子与未剔除这两个因素的因子(IVCAPM)表现存在差异，IVCAPM在股灾期间的IC移动平均线迅速下降；VOLBT因子在测试期间在移动平均线在年出现反转，在2016年的下半年至今VOLBT因子的IC移动平均线在0到0.02之间波动，根据成交量回归计算的VOLBT因子在股灾期间的IC有由负到正的趋势，说明对上证成交量敏感的大盘股在股灾期间比小盘股的预期收益更高；其余根据价格计算的波动率因子的移动平均线在股灾期间在负半轴上的绝对值增大，说明价格波动率越大，预期收益越小。\u003C\u002Fp\u003E\u003Cp\u003E波动率因子的IC时间序列图与对比图见附录2\u003C\u002Fp\u003E\u003Cimg src=\&v2-7d39a4d5fe66ad42c18dbc.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&396\&\u003E\u003Cp\u003E
波动率因子24周移动平均对比图\u003C\u002Fp\u003E\u003Cp\u003E五、 因子市值分析\u003C\u002Fp\u003E\u003Cp\u003E本次报告中我们将全市场股票的市值\u003Cb\u003E取对数\u003C\u002Fb\u003E后由小至大分成5组\u003Cb\u003E宽度相等\u003C\u002Fb\u003E的市值区间，即按照从小到大依次将市值区间定义为超小规模、小规模、中等规模、大规模、超大规模的市值分组类型。\u003C\u002Fp\u003E\u003Cp\u003E5.1 因子暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cp\u003E表5.1展示了VOLBT因子的平均暴露度在测试时期内与市值有明显单调递增关系。但是STD因子和特质波动率因子在小市值规模的平均暴露度大于大市值规模的平均暴露度，即小市值规模的股票有较大的波动率。对比因子暴露度和平均IC的市值分布差异，波动率因子的暴露度和平均IC在分布上没有明显的相似性，建议在使用上述波动率因子选股时使用市值中性化处理。\u003C\u002Fp\u003E\u003Cp\u003E波动率因子在测试区间的市值分布差异的具体分布情况图详见附录3\u003C\u002Fp\u003E\u003Cimg src=\&v2-56cd53fa976bad85f1434.jpg\& data-caption=\&\& data-rawwidth=\&656\& data-rawheight=\&287\&\u003E\u003Cp\u003E5.2 IC的市值分布差异\u003C\u002Fp\u003E\u003Cp\u003E表5.2展示了波动率因子IC的市值分布差异，其中IC市值分布差异较大的是VOLBT因子，其在超小规模、小规模、超大规模市值区间上的平均IC是正值，说明在超小规模或者超大规模的股票中，根据成交量计算的VOLBT波动率因子的暴露度与预期收益存在正相关关系； IVCARHART因子平均IC的市值分布差异较小，剔除了市值因素和估值因素的IVFF、IVFF-DOWN、IVCARHART因子在小市值股票上的平均IC绝对值都大于大市值上的平均IC绝对值，说明假设大市值股票和小市值股票在IVFF、IVFF-DOWN、IVCARHART的因子暴露度均下降一单位，小市值股票的预期收益率有可能上升更大幅度。\u003C\u002Fp\u003E\u003Cimg src=\&v2-68a2c21a1ea70cb913edf.jpg\& data-caption=\&\& data-rawwidth=\&642\& data-rawheight=\&310\&\u003E\u003Cp\u003E六、 行业分析\u003C\u002Fp\u003E\u003Cp\u003E表6.1展示了测试期间内各因子在各行业的平均暴露度和平均IC差异。其中红色表示每个因子平均暴露度或平均IC前5的行业，蓝色表示每个因子平均暴露度或平均IC后5的行业。各因子暴露度和IC的行业分布直方图可参看附录4和附录5。\u003C\u002Fp\u003E\u003Cp\u003E从表6.1中在各因子的暴露度行业分布差异上可以看出，std因子暴露度在银行、钢铁、采掘、交通运输和公用事业五个行业的收益波动率较低，而经过多因子回归后，钢铁、采掘、交通运输三个行业的特异波动率（IVFF、IVFF_UP、IVFF_DOWN和IVCARHART）接近全市场平均水平，说明其低波动的特征主要来源于共同因素（市场因子、市值因子、估值因子和动量因子）；而银行和公用事业的的公共收益和特异收益波动均较低，反正其低波动的特征是由共同因素和行业内个股波动较低同时决定的。\u003C\u002Fp\u003E\u003Cp\u003E类似地，在收益波动较高的行业中，通信、医药生物和传媒的高波动特征主要来源于共同因素，而计算机及国防军工的高波动的特征是由共同因素和行业内个股波动较低同时决定的。\u003C\u002Fp\u003E\u003Cp\u003E用于评估成交量波动情况的VOLBT因子和其它用于评估收益波动情况的因子行业分布存在明显差异。 其中，银行、交通运输的成交量波动明显高于市场平均水平。由于上证指数较多成分股分布在这些行业中，因此该结果具有相当合理性。\u003C\u002Fp\u003E\u003Cp\u003E从表6.1中在各因子的IC行业分布差异上可以看出VOLBT因子的平均IC在国防军工、通信、电气设备、电子等行业表现为正，在非银金融、有色金属、食品饮料、建筑材料等行业表现为负，说明VOLBT因子的IC在行业上的表现情况存在较大差异，其余波动率因子的平均IC在绝大部分行业均表现为正。通过对比各个波动率因子的暴露度和IC的行业分布差异，波动率因子的暴露度和IC值在分布上没有相似性，因此使用波动率因子在全市场上选股时，建议进行\u003Cb\u003E行业的中性化\u003C\u002Fb\u003E处理。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E表6.1
波动率因子暴露度和平均IC的行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-6a1689cfcaf2d10b7abda0e814ee198d.jpg\& data-caption=\&\& data-rawwidth=\&540\& data-rawheight=\&586\&\u003E\u003Cimg src=\&v2-01ee63d1d4c0b185787ffb8c00b81270.jpg\& data-caption=\&\& data-rawwidth=\&541\& data-rawheight=\&572\&\u003E\u003Cp\u003E七、 收益率分析\u003C\u002Fp\u003E\u003Cp\u003E图7.1到图7.7展示了七个波动率因子在测试期间的五组累计收益，从1到5分别表示因子暴露度从小到大的股票组合，可以看出除了VOLBT因子分组累计收益没有明显差异之外，其余的因子的分组累计收益均随着因子暴露度增加而减小，其中，STD和IVCAPM的第一组累计收益较高，IVFF-DOWN和IVCARHART因子的分组累计收益的差距明显。这说明股票的收益波动越大，其未来的预期收益越低，这和上面IC分析的结果是一致的。\u003C\u002Fp\u003E\u003Cimg src=\&v2-90ad50fe52bee.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.1 STD分组累计收益\u003C\u002Fp\u003E\u003Cimg src=\&v2-fff80e603ca0ba8ce169.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.2 VOLBT分组累计收益\u003C\u002Fp\u003E\u003Cimg src=\&v2-2e1c161d3f0e6e51e3850aa0aaf4290a.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.3 IVCAPM分组累计收益\u003C\u002Fp\u003E\u003Cimg src=\&v2-7e22f102e0eb04a9141475.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.4 IVFF分组累计收益\u003C\u002Fp\u003E\u003Cimg src=\&v2-b515b9d2e47cdc35d59dcf17e54650a5.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.5 IVFF-UP分组累计收益\u003C\u002Fp\u003E\u003Cimg src=\&v2-92d0e076cc82ea43e2fb2.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.6 IVFF-DOWN分组累计收益\u003C\u002Fp\u003E\u003Cimg src=\&v2-2ba4be36bf319e.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图7.7 IVCARHART分组累计收益\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E八、 总结\u003C\u002Fp\u003E\u003Cp\u003E根据各个波动率因子的特征分析进行总结，STD因子的暴露度具有较强的持续性，而其他因子的暴露度持续性较差；\u003C\u002Fp\u003E\u003Cp\u003E从相关性分析结果来看，特质波动率因子之间具有较高的相关性，而在其他测试中特质波动率因子的表现结果接近，所以在实际使用中，可以考虑将这些特质波动率因子合成一个因子；\u003C\u002Fp\u003E\u003Cp\u003E行业分析表明，各因子的暴露度和平均IC的行业分布差异没有规律性，选股时建议进行行业中性化处理；\u003C\u002Fp\u003E\u003Cp\u003E市值分析表明，各因子的暴露度和平均IC的市值分布差异没有规律性，选股时建议进行市值中性化处理；\u003C\u002Fp\u003E\u003Cp\u003EIC分析和收益率分析的结果表示，STD因子对市场的反应程度不高，因子的有效性不高；VOLBT因子波动幅度大，受交易量影响大，因子较不稳定，在股灾期间有一定的指示性效果，特质波动率因子表现相似，其中IVFF、IVCARHART的趋势性较好，IVCAPM因子低暴露度的股票组合累计收益较高，IVFF-DOWN和IVCARHART因子的多空收益差较明显。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E参考文献：《东方证券__因子选股系列研究之二：低特质波动，高超额收益》\u003C\u002Fp\u003E\u003Cp\u003E《华泰单因子测试之波动率类因子》\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E附录1、波动率因子的计算公式\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-afa7e7a7f55e6e84ddcd6fdf2df7312e.jpg\& data-caption=\&\& data-rawwidth=\&635\& data-rawheight=\&502\&\u003E\u003Cimg src=\&v2-09cdcbbdf7.jpg\& data-caption=\&\& data-rawwidth=\&642\& data-rawheight=\&443\&\u003E\u003Cp\u003E1、 市场因子：上证指数的日收益率\u003C\u002Fp\u003E\u003Cp\u003E2、 市值因子：定期取流通市值最小的1\u002F3只股票和市值最大的1\u002F3只股票，分别按照流通市值加权计算收益率，使用小市值股票组合和大市值股票组合的收益差作为市值因子。\u003C\u002Fp\u003E\u003Cp\u003E3、 估值因子：定期取估值最小（即PB最小）的1\u002F3只股票和估值最大的1\u002F3只股票，分别按照流通市值加权计算收益率，使用估值小的股票组合和估值大的股票组合的收益差作为估值因子。\u003C\u002Fp\u003E\u003Cp\u003E4、 动量因子：定期取过去30天累计收益率最小的1\u002F3只股票和累计收益率最大的1\u002F3只股票，分别按照流通市值加权计算收益率，使用累计收益高的股票组合和累计收益低的股票组合的收益差作为动量因子。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E附录2波动率因子的IC\u002FRANK-IC时间序列与对比图（时间窗口=6周）\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-fd2b7f328e280ddbf20c3cbba127b2a5.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
STD的IC时间序列图\u003C\u002Fp\u003E\u003Cimg src=\&v2-ebe49abb3b4fc.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
VOLBT的IC时间序列图\u003C\u002Fp\u003E\u003Cimg src=\&v2-ef750a12bed.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
IVCAPM的IC时间序列图\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-baa184dc58de7bb783d34.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
IVFF的IC时间序列图\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-29b897af649a10a9aacc165b703e96ab.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
IVFF-UP的IC时间序列图\u003C\u002Fp\u003E\u003Cimg src=\&v2-2fa2bf820d3297.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
IVFF-DOWN的IC时间序列图\u003C\u002Fp\u003E\u003Cimg src=\&v2-20aeda0c687f03ee4b97c55.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&460\&\u003E\u003Cp\u003E
IVCARHART的IC时间序列图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E附录3波动率因子暴露度的市值分布差异\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-4df73ee6f6e4eb505975eaf1b37c447c.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图8 STD因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-c0f5dd1800.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图9 VOLBT因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-7d043caa7c84d1d42a4ffec99d660a18.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图10 IVCAPM因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-902bedc039c9bf7ac8f1cfdb.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图11 IVFF因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-f45cbfffdad0.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图12 IVFF-DOWN因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-73d78cb08ae0b58b404d.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图13 IVFF-UP因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-194f96ed24f558526afcaddadbd05df0.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&381\&\u003E\u003Cp\u003E
图14 IVCARHART因子平均暴露度的市值分布差异\u003C\u002Fp\u003E\u003Cp\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E附录4波动率因子暴露度的行业分布差异\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&v2-e246e3330efde1a465e6e2f.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&288\&\u003E\u003Cp\u003E
图15 STD因子平均暴露度的行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-72eb2d9ec3decde235071d.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&288\&\u003E\u003Cp\u003E
图16 VOLBT因子平均暴露度的行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-8e48ab38973a8dea7a07b4e.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&288\&\u003E\u003Cp\u003E
图17 IVCAPM因子平均暴露度的行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-12bbddefd75.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&288\&\u003E\u003Cp\u003E
图18 IVFF因子平均暴露度的行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-9f9a09fd648ac52fde1d5ee.jpg\& data-caption=\&\& data-rawwidth=\&554\& data-rawheight=\&284\&\u003E\u003Cp\u003E
图19 IVFF_DOWN因子平均暴露度的行业分布差异\u003C\u002Fp\u003E\u003Cimg src=\&v2-45cda7743f