高频波动因子从频率和数据类型两方面对传统波动因子进行了拓展
　　传统的波动因子以日度收益率数据为基础构建，我们从数据频率和数据类型两方面对其进行了拓展。其中，表现最好的1min频率下的高频成交量波动因子在全市场中取得了年化20.84%的多空收益和6.27%的超额收益，多空夏普比和信息比分别达到2.87和1.62，且在近两年没有出现明显回撤。在波动因子的高频化过程中，采用的因子构建方式对因子表现影响较大；先计算日内标准差再计算日间标准差最后除以均值去量纲被证明是较好的构建方式，其优势在于同时提取了日内波动与日间波动中的信息。
　　差分能提取数据中的时间序列信息，因子表现出正向收益能力
　　波动类因子传统上都采用计算标准差的方式构建，其只关注数据的截面分布，而实际中数据在时间序列上的顺序中很可能含有信息。先差分再计算标准差是一种提取数据中时间序列信息的方法，此方法下构建的因子表现出因子值越大收益越高的正向收益能力，说明其已经不涉及对波动的表征，而可能是对趋势交易者或知情交易者交易行为的刻画。其中，表现最好的每笔成交量差分标准差因子在全市场中取得了年化24.22%的多空收益和3.00%的超额收益，多空夏普比和信息比分别达到1.76和0.51。
　　标准差改为均值能显著提高差分因子的表现，因子对数据频率较敏感
　　差分因子表现出正向收益能力，而计算标准差所希望度量的波动表现出负向收益能力，二者相互抵消会降低因子整体的收益能力。因此，将标准差改为均值能显著提高差分因子的表现，其中日内在计算均值前需要先取绝对值。采用这种方式构建的因子中，表现最好的成交量差分绝对值均值因子在全市场中取得了年化34.13%的多空收益和7.95%的超额收益，多空夏普比和信息比分别达到2.12和1.10，风格中性后月度IC和ICIR仍有4.35%和44.70%。差分因子对数据频率的敏感性很高，当数据频率降低到15min时因子已基本失去收益能力。
　　波峰计数因子度量局部峰值的能力更优，缩短调仓频率可提升表现
　　差分提取时间序列信息的有效性来源于对数据局部峰值的度量，而对波峰计数是度量局部峰值更简单也更有效的方法。本文识别局部峰值的方法分为两个步骤：第一步筛选出大于(均值+1倍标准差)的数据；第二步计算上一步筛选出的每一分钟与前一分钟之间的时间差，保留时间差超过1分钟的分钟数据。因子在全市场中取得了年化39.08%的多空收益和7.10%的超额收益，多空夏普比和信息比分别达到3.41和1.61，风格中性后月度IC和ICIR仍有3.88%和61.60%。调仓频率为5日时，因子在样本区间内取得了年化56.65%的多空收益和9.03%的超额收益，多空夏普比和信息比分别达到4.33和1.97。
　　风险提示：
　　1.模型存在失效风险；
　　2.本文举例均基于历史数据，不保证未来收益。

详细内容公司客户可查看。