Yếu tố xu hướng tương quan giá-khối lượng tần suất cao
factor.formula
1. Tính hệ số tương quan Pearson giữa giá đóng cửa cấp phút và khối lượng giao dịch hàng ngày của cổ phiếu:
2. Đối với mỗi ngày giao dịch, hệ số tương quan \( p_t \) tương ứng với 20 khoảng thời gian liên tiếp được tính toán trong ngày đó được hồi quy tuyến tính, với thời gian \( t \) là biến độc lập, để thu được hệ số hồi quy \( \beta \):
3. Hệ số hồi quy \( \beta \) được tính toán hàng ngày cho tất cả các cổ phiếu được chuẩn hóa trong mặt cắt ngang và loại bỏ ảnh hưởng của giá trị thị trường và các yếu tố giá-khối lượng truyền thống (chẳng hạn như đảo chiều 20 ngày, tỷ lệ doanh thu 20 ngày, độ biến động 20 ngày, v.v.) để thu được yếu tố xu hướng tương quan giá-khối lượng tần suất cao cuối cùng.
Trong công thức:
- :
Hệ số tương quan Pearson giữa giá đóng cửa theo phút và khối lượng giao dịch theo phút của cổ phiếu được tính cho khoảng thời gian thứ ( t ) (ví dụ: phút thứ ( t )) trong mỗi ngày. Hệ số tương quan này đo lường mức độ đồng bộ hoặc phân kỳ của giá và khối lượng trong khoảng thời gian cụ thể đó. Tương quan dương có nghĩa là khi giá tăng, khối lượng giao dịch có xu hướng tăng và ngược lại; tương quan âm có nghĩa là khi giá tăng, khối lượng giao dịch có xu hướng giảm và ngược lại.
- :
Hệ số hồi quy thu được bằng hồi quy tuyến tính phản ánh xu hướng và cường độ của hệ số tương quan giá-khối lượng hàng ngày ( p_t ) thay đổi theo thời gian ( t ). Giá trị dương của ( \beta ) cho thấy tương quan giá-khối lượng hàng ngày có xu hướng tăng theo thời gian; giá trị âm của ( \beta ) cho thấy tương quan giá-khối lượng hàng ngày có xu hướng giảm theo thời gian; giá trị tuyệt đối của ( \beta ) càng lớn thì xu hướng càng rõ rệt.
- :
Sai số trong mô hình hồi quy, thể hiện độ lệch giữa hệ số tương quan thực tế ( p_t ) và giá trị dự đoán của mô hình hồi quy. Sự tồn tại của sai số là do sự hiện diện của nhiễu và biến động ngẫu nhiên trong dữ liệu thực tế.
- :
Số thứ tự của khoảng thời gian, từ 1 đến 20. Ví dụ: nếu dữ liệu theo phút được sử dụng, ( t=1 ) biểu thị phút thứ nhất, ( t=2 ) biểu thị phút thứ hai, v.v. Cần lưu ý rằng ( t ) ở đây đề cập đến chuỗi thời gian trong mỗi ngày, không phải chuỗi thời gian giữa các ngày. Việc phân chia cụ thể các khoảng thời gian có thể được điều chỉnh theo tần suất dữ liệu thực tế và nhu cầu nghiên cứu.
factor.explanation
Logic cốt lõi của yếu tố này là nắm bắt những thay đổi động trong mối quan hệ giữa giá và khối lượng trong cấu trúc vi mô của thị trường. Giá trị âm của ( \beta ) (tức là PV_corr_trend càng nhỏ), cho thấy mối tương quan giữa giá và khối lượng trong ngày đang dần suy yếu, điều này có thể ngụ ý rằng tâm lý thị trường đang dần phân kỳ và việc giá tăng có thể không đi kèm với sự gia tăng hiệu quả về khối lượng và ngược lại. Điều này thường được coi là một biểu hiện của sự bắt đầu mất cân bằng giữa lực lượng của bên mua và bên bán, và có thể cho thấy một cơ hội đảo chiều tiềm năng. Mặt khác, giá trị dương của ( \beta ) (tức là PV_corr_trend càng lớn), cho thấy mối tương quan giữa giá và khối lượng trong ngày đang dần tăng lên, điều này có thể ngụ ý sự nhất quán của tâm lý thị trường, và giá và khối lượng đồng thời được khuếch đại hoặc giảm xuống, điều này thường được coi là một tín hiệu của sự củng cố các xu hướng thị trường. Do đó, yếu tố này chủ yếu sử dụng dữ liệu tần suất cao để nắm bắt tâm lý thị trường ngắn hạn và các đặc điểm cấu trúc vi mô bằng cách phân tích xu hướng thay đổi trong mối quan hệ giá-khối lượng hàng ngày để hỗ trợ trong việc lựa chọn cổ phiếu. Nói chung, các xu hướng âm ( ( \beta ) âm) có thể có sức mạnh dự đoán cao hơn.