AwesomeOscillator因子

因子介绍

Awesome Oscillator（AO）因子是由著名交易员比尔・威廉姆斯（Bill Williams）开发的，用于分析市场动态和趋势的强度。AO 是一种用来衡量证券动量的指标，它通常被用来确认趋势或预测可能的反转。

原始的 AO 因子的计算方法是通过计算高价和低价的中间价格，然后分别计算该中间价格的短周期和长周期的移动平均线（MA），最后将短周期 MA 减去长周期 MA 得到 AO 值。原始因子计算公式如下：

$$ \text{AO} =

\text{MA}(\frac{\text{High} + \text{Low}}{2}, \text{fast})

短周期 MA 对趋势的反应要快于长周期 MA，当短周期 MA 高于长周期 MA 时，AO 为正，AO 值越大表示短期动能越强，反之亦然。

但原始因子的计算存在一个问题，由于原始因子的计算是用减法，因此高价股的计算结果往往会高于低价股。原始 AO 因子的大小不但受动量的影响，还会受股价大小的影响。AO 因子值高的股票除了动量高的股票外，还有可能是价格高的股票。

为了剔除股价大小对因子值的影响，对 AO 因子进行了改造，改造后的因子为中间价格的短均线除以长均线，改造后的因子计算公式如下：

$$ \text{AO} = \frac{

\text{MA}(\frac{\text{High} + \text{Low}}{2}, \text{fast})

}{

\text{MA}(\frac{\text{High} + \text{Low}}{2}), \text{slow})

} $$

通过将减法改成除法，可以避免股价大小对因子值的影响

由于不同市值的股票表现差异显著，因子在不同市值的股票池中的有效性也可能有所不同。我们分别评价因子在沪深 300、中证 500、中证 1000、中证 2000 这 4 个股票池中的表现。

在因子参数的选择上，我们将移动平均线的短周期 fast 设为 5，将长周期 slow 设为 10。

因子评价的内容主要是分组评价和 IC 评价。分组评价是按照因子值将股票池分为 5 组，然后比较不同分组的表现，从而评估因子的区分度和有效性。IC 评价是计算因子值和未来 1 日收益之间的相关系数。

为了能更好的反映因子的分组收益趋势，我们在做分组评价时计算的是各分组的超额收益，即各个分组相对基准的超额收益，其中基准的收益为股票池全部股票的等权平均收益。采取超额收益而不是原始收益，还可以剔除市值大小对收益评价的影响，起到了市值中性化的效果

从沪深 300 股票池的分组收益来看，第 1 组（因子值最小组）的收益最大，第 5 组（因子值最大组）的收益最小。这表明该因子是一个负向因子，主要呈现反转效应，即短期动量低的股票未来收益更高，而短期动量高的股票未来收益更低。第 1 组和第 5 组的收益区分显著，但中间分组的收益率区分不大，因子的单调性不太理想
在中证 500 股票池的分组收益中，从第 1 组到第 5 组，分组收益逐级递减，分组收益呈现出了良好的单调性。同样，在该股票池中，AO 因子也是一个负向因子
在中证 1000 股票池中，AO 因子总体上也呈现出负向因子的特征，收益最低分组为第 5 分组，但收益最高分组并不是第 1 分组，单调性不太好
在中证 5000 股票池中，分组收益的单调性更不理想，但依旧是第 5 组收益率最低

指标：

从上述评价指标可以得出以下结论：

（1）在各市值范围的股票池中，AO 因子的 IC 方向都是负值，即该因子的因子值大小与未来收益总体上呈现负相关的关系，说明该因子是一个负向因子，主要呈现反转效应。

（2）在各市值范围的股票池中，IC 绝对值都接近或超过 0.03，说明该因子有一定的预测能力；但 IR 绝对值都没超过 0.5，说明该因子的预测能力不太稳定。

（3）从多头组（收益最高组）的超额收益来看，AO 因子在中证 500 股票组中效果最好，超额年化收益和夏普比率最高，最大回撤最小；在中证 2000 股票池中的效果最差，超额年化收益和夏普比率都最低，最大回撤也最大。