市场日内动量--FBDQA期中项目

这是清华大学2024秋季学期金融大数据课程的期中项目，内容是复现研报【华安金工】市场日内动量——“学海拾珠”系列之八的内容，以下是对这份研报的一部分的理解、实现步骤以及一些主要公式的呈现

主要观点

核心结论

graph
    A[当天的前半小时的数据]
    B[前一天的收盘价]
    C[当天的前半小时的收益率]
    D[当天的后半小时的收益率]

    A-->C
    B-->C
    C-->|显著的正相关|D

原因

非高频调仓
信息接收延迟这两个因素导致了首个半小时和最后半小时交易的方向相同，使得收益率呈现正相关

导出结论

利用日内动量进行的择时策略和均值-方差资产配置策略也可以带来理想收益。

日内动量

公式

$$ \begin{aligned} \text{收益率的定义:}\\ \qquad r_{j,t}&=\frac{p_{j,t}}{p_{j-1,t}}-1,&j=1,\ldots,13\\ \text{Model1:}\\ \qquad r_{13,t}&=\alpha+\beta r_{1,t}+\epsilon_t,&t=1,\ldots,T\\ \text{Model2:}\\ \qquad r_{13,t}&=\alpha+\beta_{r_1} r_{1,t}+\beta_{r_{12}} r_{12,t}+\epsilon_t,&t=1,\ldots,T\\ \end{aligned} $$ 对于A股而言，公式为 $$ \begin{aligned} \text{收益率的定义:}\\ \qquad r_{j,t}&=\frac{p_{j,t}}{p_{j-1,t}}-1,&j=1,\ldots,8\\ \text{Model1:}\\ \qquad r_{8,t}&=\alpha+\beta r_{1,t}+\epsilon_t,&t=1,\ldots,T\\ \text{Model2:}\\ \qquad r_{8,t}&=\alpha+\beta_{r_1} r_{1,t}+\beta_{r_{7}} r_{7,t}+\epsilon_t,&t=1,\ldots,T\\ \end{aligned} $$

数据获取

日数据获取

使用实训平台的接口获取数据，对每支股票进行分析，时间范围为2021到2023三年

金融信息

数据量较小的，在相关官方金融网站上人工查找、筛选、存档
数据量较大的，脚本爬取

数据清洗

步骤

graph TD
    A[计算得到日内收益率]
    B[筛选数据]
    C[筛选出ST/退市的股票]
    D[忽略NaN的数据]
    E[进行复权操作]
    F[处理特殊数据]
    G[高成交量股票]
    H[特殊日期情况]

    A --> B
    B --> C
    B --> D
    C --> E
    D --> E
    E --> F
    F --> G
    F --> H

日内动量验证

对于每一支股票的每一天数据，清洗之后，取出编号为1，7，8的收益率加入到这支股票对应的列表r1,r7,r8中，分别运用model1和model2拟合，获取相关数据

graph TD
    A[获取全部股票的stock_code]
    B[清洗数据]
    C[获取列表r1，r7，r8]
    D[拟合模型，获取R2]
    E[一个列表，包含了每支股票对应的R2]
    F[绘制分布图]

    A-->|对于某支股票|B
    B-->C
    C-->D
    D-->|循环|B
    D-->|汇总输出|E
    E-->F

金融信息对R2的影响

获取相关金融信息，然后对金融信息和R2进行双向的作用分析

条件影响和稳定性

分析r1的正负对于相关性的影响，以及分析模型对于不同金融产品的稳定性

多模型交叉验证

对比分析了多种模型的R2，分析相关模型的效果

zhenchen/FBDQAMidTermWork