고빈도 가격-거래량 상관관계 추세 요인
factor.formula
1. 일별 주식 분 단위 종가와 거래량 간의 피어슨 상관 계수를 계산합니다:
2. 각 거래일에 대해 해당 날짜에 계산된 20개의 연속된 시간 창에 해당하는 상관 계수 \( p_t \)를 시간 \( t \)를 독립 변수로 하여 선형 회귀하여 회귀 계수 \( \beta \)를 얻습니다:
3. 모든 주식에 대해 매일 계산된 회귀 계수 \( \beta \)는 횡단면에서 표준화되고, 시가총액 및 전통적인 가격-거래량 요인(예: 20일 반전, 20일 회전율, 20일 변동성 등)의 영향을 제거하여 최종 고빈도 가격-거래량 상관관계 추세 요인을 얻습니다.
수식에서:
- :
주식의 분 단위 종가와 분 단위 거래량 사이의 피어슨 상관 계수로, 각 날짜 내의 ( t )번째 시간 창(예: ( t )번째 분)에 대해 계산됩니다. 이 상관 계수는 해당 특정 시간 창 동안 가격과 거래량이 동기화되거나 발산되는 정도를 측정합니다. 양의 상관관계는 가격이 상승할 때 거래량이 증가하는 경향이 있고 그 반대의 경우도 마찬가지임을 의미합니다. 음의 상관관계는 가격이 상승할 때 거래량이 감소하는 경향이 있고 그 반대의 경우도 마찬가지임을 의미합니다.
- :
선형 회귀를 통해 얻은 회귀 계수로, 시간 ( t )에 따른 일일 가격-거래량 상관 계수 ( p_t )의 변화 추세와 강도를 반영합니다. ( \beta ) 값이 양수이면 일일 가격-거래량 상관관계가 시간이 지남에 따라 증가하는 경향이 있음을 나타내고, ( \beta ) 값이 음수이면 일일 가격-거래량 상관관계가 시간이 지남에 따라 감소하는 경향이 있음을 나타냅니다. ( \beta )의 절대값이 클수록 추세가 더 유의미합니다.
- :
회귀 모델의 오차항으로, 실제 상관 계수 ( p_t )와 회귀 모델의 예측 값 사이의 편차를 나타냅니다. 오차항의 존재는 실제 데이터에 노이즈와 임의의 변동이 존재하기 때문입니다.
- :
시간 창의 일련 번호로, 1에서 20까지의 범위입니다. 예를 들어 분 데이터를 사용하는 경우 ( t=1 )은 첫 번째 분을 나타내고, ( t=2 )는 두 번째 분을 나타내는 식입니다. 여기서 ( t )는 일별 시간 시리즈를 나타내며, 여러 날에 걸친 시간 시리즈가 아님을 유의해야 합니다. 시간 창의 구체적인 구분은 실제 데이터 빈도 및 연구 요구 사항에 따라 조정할 수 있습니다.
factor.explanation
이 요인의 핵심 논리는 시장 미시 구조에서 가격과 거래량 사이의 관계의 역동적인 변화를 포착하는 것입니다. ( \beta ) 값이 음수(즉, PV_corr_trend가 작을수록)라는 것은 하루 동안 가격과 거래량 사이의 상관관계가 점차 약화되고 있음을 나타내며, 이는 시장 심리가 점차 분산되고 가격 상승이 거래량의 효과적인 증가를 동반하지 않거나 그 반대일 수 있음을 의미할 수 있습니다. 이는 일반적으로 롱과 숏 세력 간의 불균형이 시작되는 징후로 간주되며 잠재적인 반전 기회를 나타낼 수 있습니다. 반면에 ( \beta ) 값이 양수(즉, PV_corr_trend가 클수록)라는 것은 하루 동안 가격과 거래량 사이의 상관관계가 점차 증가하고 있음을 나타내며, 이는 시장 심리의 일관성을 의미할 수 있으며 가격과 거래량이 동시에 증폭되거나 감소합니다. 이는 일반적으로 시장 추세 강화의 신호로 간주됩니다. 따라서 이 요인은 주로 고빈도 데이터를 사용하여 주식 선택을 지원하기 위해 일일 가격-거래량 관계의 변화 추세를 분석하여 단기 시장 심리 및 미시 구조 특성을 포착합니다. 일반적으로 음의 추세( ( \beta )가 음수)가 더 높은 예측력을 가질 수 있습니다.