高頻度価格出来高相関トレンドファクター
factor.formula
1. 株式の日中の分単位終値と取引量のピアソン相関係数を計算します。
2. 各取引日について、その日に計算された20個の連続する時間窓に対応する相関係数 \( p_t \) を、時間 \( t \) を独立変数として線形回帰し、回帰係数 \( \beta \) を取得します。
3. 全ての株式に対して日ごとに計算された回帰係数 \( \beta \) を断面で標準化し、時価総額や従来の価格出来高ファクター（例えば、20日反転、20日回転率、20日ボラティリティなど）の影響を取り除き、最終的な高頻度価格出来高相関トレンドファクターを取得します。
式中:
- :
各日内の ( t ) 番目の時間窓（例：( t ) 番目の分）で計算された、株式の分単位終値と分単位の取引量の間のピアソン相関係数。この相関係数は、その特定の時間窓中に価格と出来高がどの程度同期または乖離しているかを測定します。正の相関は、価格が上昇すると取引量が増加する傾向があることを意味し、逆もまた同様です。負の相関は、価格が上昇すると取引量が減少する傾向があることを意味し、逆もまた同様です。
- :
線形回帰で得られた回帰係数であり、時間 ( t ) の経過に伴う毎日の価格と出来高の相関係数 ( p_t ) の変化の傾向と強さを反映します。( \beta ) の正の値は、毎日の価格と出来高の相関が時間経過とともに増加する傾向があることを示し、 ( \beta ) の負の値は、毎日の価格と出来高の相関が時間経過とともに減少する傾向があることを示します。( \beta ) の絶対値が大きいほど、傾向はより顕著です。
- :
回帰モデルにおける誤差項であり、実際の相関係数 ( p_t ) と回帰モデルの予測値との間の偏差を表します。誤差項の存在は、実際のデータにおけるノイズとランダムな変動が存在することによります。
- :
時間窓の連番であり、1から20までの範囲です。例えば、分単位のデータを使用する場合、( t=1 ) は1分目、( t=2 ) は2分目を表します。ここで注意すべき点は、( t ) は日を跨ぐ時系列ではなく、各日内の時系列を指すということです。時間窓の具体的な分割は、実際のデータの頻度と研究のニーズに応じて調整できます。
factor.explanation
このファクターの核心ロジックは、市場のマイクロストラクチャーにおける価格と出来高の関係の動的な変化を捉えることです。( \beta ) の負の値（すなわち、PV_corr_trendが小さいほど）は、日中の価格と出来高の相関が徐々に弱まっていることを示しており、これは市場心理が徐々に乖離し、価格上昇が効果的な出来高増加を伴わない可能性、またはその逆を示唆する可能性があります。これは一般的に、ロングサイドとショートサイドの勢力の間の不均衡の始まりの兆候と見なされ、潜在的な反転機会を示す可能性があります。一方、( \beta ) の正の値（すなわち、PV_corr_trendが大きいほど）は、日中の価格と出来高の相関が徐々に強まっていることを示しており、これは市場心理の一貫性を示唆し、価格と出来高が同時に増幅または減少することを意味します。これは一般的に、市場トレンドが強まっている兆候と見なされます。したがって、このファクターは、主に高頻度データを使用して、毎日の価格と出来高の関係の変化の傾向を分析することにより、短期的な市場心理とマイクロストラクチャーの特性を捉え、株式選択を支援します。一般的に、負のトレンド（ ( \beta ) が負）の方が予測力が高い可能性があります。