2024年6月4日，北京大学经济学院和北京大学金融工程实验室在经济学院107会议室联合举办了“金工首席谈”系列讲座第二十八讲。本次讲座邀请长江证券研究所金融工程资深分析师郑起作为演讲嘉宾，以“股票高频策略的构建逻辑与应用”为题，为北京大学师生作了主题报告。讲座由北大金融工程实验室黎新平博士主持，40余名师生参与了讲座。
本次讲座深入探讨了高频数据与高频交易在量化投资中的应用。长江证券深耕高频因子领域，并搭建了一系列高频因子的模型框架。郑起为与会师生详细了讲解高频因子的构建思路、逻辑框架以及其Alpha来源，并进一步探讨了深度学习模型在高频因子及高频策略中的应用。
郑起首先从CAPM模型讲起，介绍了市场收益作为收益来源，beta作为风险衡量的基础。他探讨了Fama-French三因子模型，并指出高频交易中，稳定的收益（α）更容易出现。郑起重点讲解了如何找到稳定的收益曲线，并深入阐述了α和β的区别和关系。
郑起详细讲解了高频数据的类型，如level1、level2和tick数据，通过主成分分析法阐述了市场收益和市值收益等系统性风险的概念，并讨论了系统性风险在所有个股中的综合表现。他指出，除了共同的系统性风险外，还有不同特质的风险，并通过聚类分析解释了这些特质风险的聚类结果。
在高频因子构建方面，郑起提出流动性在高频交易中至关重要，特别是在小盘股发生踩踏事件时，容易产生风险挤兑现象。他指出风险和收益是对等的。在分析交易拥挤现象时，郑起提到A股市场的量价关系较为紧密，而美股相对平稳。他解释了量价背离资产的投资策略，即低价买入高价卖出，但在A股市场，价格上涨反而会吸引更多买入，导致交易拥挤。郑起介绍了如何通过每笔成交的概念来衡量卖方交易意愿，利用成交量与成交笔数的比值来评估卖单的挂单效率。特别是在A股市场，个人投资者占多数，成交量最高的区间容易出现过度反应。
郑起指出，深度学习在高频因子构建中具有高效性，可以一步生成多个因子。尽管使用的数据相同，但深度学习能够提升系统性风险分析的效果。
在问答环节，郑起回答了与会师生关于高频交易策略的实际应用问题。例如，他阐述了level1和level2数据的区别， level1提供模糊证据，而level2则能覆盖更多详细信息；针对PCA模型的不稳定性，郑起指出PCA在债券市场中的应用较多，但在高频交易中应谨慎使用。
最后，黎新平博士对主讲嘉宾的到来表达了感谢，并代表北京大学金融工程实验室向郑起赠送了纪念品。
主讲人简介
郑起，长江证券研究所金融工程资深分析师，6年研究经验，浙江大学理学学士、哥伦比亚大学理学硕士。研究领域为多因子选股、高频因子、行业轮动、因子轮动。
北京大学金融工程实验室简介
北京大学金融工程实验室是依托北京大学经济学院搭建的研究和教学平台，致力于推动量化投资、金融工程、大数据金融以及金融科技方面的学术研究与实践应用，实现学术界与金融业界良好的互动交流。
实验室聚焦于运用数学建模、统计分析、计算金融、大数据以及机器学习方法进行量化金融的研究，以数理化方法探讨金融市场的规律。实验室的目标不仅仅是推动金融工程等学术领域的前沿研究，同时也推动量化金融技术在教学、投资实践、金融监管以及金融政策等方面的实际应用。实验室课题研究包括：量化基本面、金融科技及AI、市场交易行为、高频数据、风险预警与管理。
供稿：北京大学金融工程实验室
美编：初夏
责编：度量、雨禾、雨田
