第一期的研報復現大賽已經落下帷幕啦~
再次感謝朋友們的踴躍參與和大力支持~
所有的匍匐都只是高高躍起前的熱身，
第二期的賽事即將開啟，我們期待您的參與！
第一期研報復現結果回顧
第一期研報復現比賽已經結束，通過15天的社區公開審核，綜合社區人氣指標進行評選，本次研報復現比賽的最終結果公佈如下：
排名前三的作者分別是
>>> 1. 一夢春秋
>>> 2. lan666
>>> 3. k線放蕩不羈
在第一期的研報復現活動中收到了許多小夥伴們的投稿，也感受到了諸位量化愛好者的熱情，再次感謝各位小夥伴對本次比賽的支持與厚愛。
我們也希望通過這樣的活動，能夠傳遞基礎的量化研究方法、瞭解量化策略構建流程，能通過比賽任務的方式促進小夥伴們快速成長。
為此，我們調整了第二期的賽事規則，更多聚焦於研究思路與因子處理過程，任務內容也更加靈活。錯過了第一期比賽任務與未能取得滿意成績的小夥伴，不要灰心哦，第二期即將開始，敬請期待！
第一名研報作品展示
引言
>>> 研究目的
本文參考廣發證券《基於日內高頻數據的短週期選股因子研究-高頻數據因子研究系列一》，對研報構造的因子做了實現，並復現了裡面的結果，做出了分析。其中用個股日內高頻數據構造選股因子，低頻調倉的思路是一個很好的方向。
>>> 研究內容
基於個股日內高頻數據，構建了已實現波動(Realized Volatility) ，已實現偏度(Realized Skewness)、已實現峰度(Realized Kurtosis)因子指標，考察這三個因子在回測區間內對個股收益率 的區別度。
>>> 研究結論
在三個因子中偏度RSkewRSkew因子最有效，分組區分度高，比較穩定，收益最高。
因子構建
因子構建過程摘自研報，具體因子指標構建如下:
1.對於每個個股在交易日t，首先計算個股在特定分鐘頻率下第i個的收益率
其中，pt,i表示在交易日t，個股在第i個特定分鐘頻率下的對數價格，pt，i-1表示在交易日t，個股在第i-1個特定分鐘頻率下的對數價格。
2.對於每個個股，根據,分別計算個股在交易日t下的已實現方差(Realized Variance) RDV art、已實現偏度（Realized Skewness）RDSkewt，已實現峰度（Realized kurtosis）RDKurtt。其中：
其中N表示個股在交易日t中特定頻率的分鐘級別數據個數，如在1分鐘行情級別下，數據個數N為60*4=240；在5分鐘行情級別下，數據個數N為240/5=48。
1.對於每個個股在交易日t計算累計已實現波動(Realized Volatility)RVolt，已實現偏度（Realized Skewness）RSkewt，已實現峰度（Realized Kurtosis）RKurtt，其中：
在每期調倉日截面上，按照上述公式計算每個個股的已實現波動(Realized Volatility)RVolt，已實現偏度(Realized Skewness)RSkewt，已實現峰度（Realized Kurtosis）RKurtt指標，針對每個由高頻數據計算得到的因子指標在歷史上的分檔組合表現，試圖尋找出相對有效的因子指標。
構造因子數據
>>> 計算因子值的過程比較慢，大概耗時1小時左右。如果直接下載我構造好的數據文件（factor_dict.pkl）上傳到研究裡可以跳過這一步，直接到因子特徵展示開始執行。
>>> 之後開始計算因子值。
因子特徵展示
通過上文中的代碼，已經獲取到了中證500成分股2013-2019的因子數據。
以下分別從因子頻率分佈、因子百分位走勢2個維度展示因子特徵。
>>> 頻率分佈
從以上因子分佈三圖看出，整個A股市場個股的波動率分佈整體上呈現右偏分佈；個股的偏度分佈，整體偏度水平保持在零附近，呈現較為明顯厚尾狀態；個股的峰度分佈與個股波動率水平類似，分佈整體上右偏，且樣本內個股的峰度水平大部分大於3，呈現厚尾的現象。
和研報中的三個因子分佈圖情況和結論相同。
>>> 百分位走勢
從以上三圖看出，個股的波動率在不同的時間維度上變化較大，當市場趨勢行情較明顯時候，個股波動率水平整體上呈現上升的趨勢；個股偏度水平整體較為穩定；個股峰度水平在極端行情下峰度更高，且不同分位數差異更加明顯。
和研報中的三個因子百分位走勢圖情況和結論相同。
實證分析
>>> 因子選股分檔表現
由以上累計收益率5檔圖看出，偏偏度RSkew因子分檔很明顯，單調性顯著；RVol因子分檔不明顯，峰度RKurt因子的區分度比偏度RSkew略微弱一些，但好於RVol因子。
和研報結論相同。
>>> 因子多空收益
從以上多空累計收益三圖可以看出，偏度RSkew因子多空收益最高，也比較穩定，基本上一直在上行，進一步驗證了RSkew因子的有效性。峰度RKurt因子在2013-2014年多空收益在0上下徘徊，和峰度RKurt因子分檔累計收益圖中2013-2014區分度不明顯情況相同。
>>> 因子分析
r_skew ic 小於0的個數佔比：0.6600660066006601
r_kurt ic 小於0的個數佔比：0.66996699669967
從以上IC三圖可以看出，偏度RSkew因子平均IC基本都小於0，且IC負值佔比超過6成，預測能力較好。
偏度RSkew因子在中證500指數下2013-2019年IC小於0的個數佔比為66%，和研報中中證500的IC統計結果近似。受限於研究的內存和因子構建執行時間，我沒有使用全市場數據計算，研報中全市場數據的IC小於0的個數佔比未驗證。
>>> 因子換手率
這裡不知道換手率統計的對不對。我只考慮了兩個調倉日之間，每個檔位更換股票佔原股票的比例。偏度RSkew因子子的換手率比較穩定，基本上每期都要把持倉更換一遍。
看散點分佈情況，換手率分佈大部分在85%以上，考慮到時間選取和算法的不同，和研報中給出的平均80%換手率也算接近。
總結
本研究從因子分佈和因子百分位走勢對因子特徵做了展示，從累計收益率、多空收益、因子IC、換手率幾個角度做實證分析。
總的來說，本研究使用中證500指數2013-2019年的數據選股，對研報中的內容基本上都做了復現，得出結論：三個因子中偏度RSkew因子最有效，分組區分度高，比較穩定，收益最高。
