Facteur de tendance de la corrélation prix-volume haute fréquence
factor.formula
1. Calculer le coefficient de corrélation de Pearson entre le prix de clôture au niveau minute quotidien et le volume de transactions :
2. Pour chaque jour de bourse, le coefficient de corrélation \( p_t \) correspondant aux 20 fenêtres temporelles consécutives calculées ce jour-là est soumis à une régression linéaire, avec le temps \( t \) comme variable indépendante, afin d'obtenir le coefficient de régression \( \beta \) :
3. Le coefficient de régression \( \beta \) calculé quotidiennement pour toutes les actions est standardisé en coupe transversale, et l'influence de la valeur de marché et des facteurs prix-volume traditionnels (tels que le retournement sur 20 jours, le taux de rotation sur 20 jours, la volatilité sur 20 jours, etc.) est éliminée pour obtenir le facteur final de tendance de la corrélation prix-volume haute fréquence.
Dans la formule :
- :
Le coefficient de corrélation de Pearson entre le prix de clôture minute de l'action et le volume de transactions minute calculé pour la ( t )-ième fenêtre temporelle (par exemple, la ( t )-ième minute) au cours de chaque journée. Ce coefficient de corrélation mesure le degré de synchronisation ou de divergence entre le prix et le volume au cours de cette fenêtre temporelle particulière. Une corrélation positive signifie que lorsque les prix augmentent, le volume des transactions a tendance à augmenter, et vice versa ; une corrélation négative signifie que lorsque les prix augmentent, le volume des transactions a tendance à diminuer, et vice versa.
- :
Le coefficient de régression obtenu par régression linéaire reflète la tendance et la force du coefficient de corrélation prix-volume quotidien ( p_t ) évoluant dans le temps ( t ). Une valeur positive de ( \beta ) indique que la corrélation prix-volume quotidienne tend à augmenter avec le temps ; une valeur négative de ( \beta ) indique que la corrélation prix-volume quotidienne tend à diminuer avec le temps ; plus la valeur absolue de ( \beta ) est grande, plus la tendance est significative.
- :
Le terme d'erreur dans le modèle de régression représente l'écart entre le coefficient de corrélation réel ( p_t ) et la valeur prédite du modèle de régression. L'existence du terme d'erreur est due à la présence de bruit et de fluctuations aléatoires dans les données réelles.
- :
Le numéro de série de la fenêtre temporelle, allant de 1 à 20. Par exemple, si des données à la minute sont utilisées, ( t=1 ) représente la première minute, ( t=2 ) représente la deuxième minute, et ainsi de suite. Il convient de noter que ( t ) fait ici référence à la série temporelle au sein de chaque journée, et non à la série temporelle sur plusieurs jours. La division spécifique des fenêtres temporelles peut être ajustée en fonction de la fréquence des données réelles et des besoins de la recherche.
factor.explanation
La logique fondamentale de ce facteur est de capturer les changements dynamiques dans la relation entre le prix et le volume dans la microstructure du marché. Une valeur négative de ( \beta ) (c'est-à-dire, plus le PV_corr_trend est petit), indique que la corrélation entre le prix et le volume au cours de la journée s'affaiblit progressivement, ce qui peut impliquer que le sentiment du marché diverge progressivement, et que les augmentations de prix peuvent ne pas être accompagnées d'une augmentation effective du volume, et vice versa. Ceci est généralement considéré comme une manifestation du début d'un déséquilibre entre les forces des positions longues et courtes, et peut indiquer une opportunité de retournement potentielle. D'un autre côté, une valeur positive de ( \beta ) (c'est-à-dire, plus le PV_corr_trend est grand), indique que la corrélation entre le prix et le volume au cours de la journée augmente progressivement, ce qui peut impliquer la cohérence du sentiment du marché, et que le prix et le volume sont simultanément amplifiés ou réduits, ce qui est généralement considéré comme un signal de renforcement des tendances du marché. Par conséquent, ce facteur utilise principalement des données haute fréquence pour capturer le sentiment de marché à court terme et les caractéristiques de la microstructure en analysant la tendance des changements dans la relation prix-volume quotidienne pour aider à la sélection des actions. En général, les tendances négatives ( ( \beta ) est négatif) peuvent avoir un pouvoir prédictif plus élevé.