Amaya et al.(2011)1研究发现日内高阶矩与股票的未来收益之间存在联系， 利用股票的日内分时数据， 构建了高频已实现方差、偏度以及峰度三个指标， 计算方法如下：
我们在前期报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》中实证发现，高频偏度因子具有显著的选股能力，而方差和峰度没有选股能力。高频偏度因子分组收益和 IC 表现如图 2-5 所示， 原始因子和正交因子的 IC 均值分别为-0.047 和-0.023， ICIR 分别为-2.61 和-2.38， top-bottom 多空组合月均收益差分别为 1.45%和0.82%。
对于期货，采用同样的因子计算方法，但由于品种数量比较少，需要对参数敏感性进行分析。因子在绝大部分参数组下均能取得正收益（见表 1），这意味着高频偏度大的期货品种未来能够取得更高的收益。当回看期 R 和持有期 H 均为 1 天时，因子收益最高，为 7.32%，夏普比率2为 1.21。因子在 R=10-15， H=1-5 参数区域内表现相对稳定，平均年化收益率为 3.59%。
对于期货，采用同样的因子计算方法，但由于品种数量比较少，需要对参数敏感性进行分析。因子在绝大部分参数组下均能取得正收益（见表 1），这意味着高频偏度大的期货品种未来能够取得更高的收益。当回看期 R 和持有期 H 均为 1 天时，因子收益最高，为 7.32%，夏普比率2为 1.21。
因子在 R=10-15， H=1-5 参数区域内表现相对稳定，平均年化收益率为 3.59%。
对于期货，高频峰度因子在所有参数组下均取得负收益（见表 2），意味着高频峰度低的期货品种未来能够取得更高的收益。当回看期 R 和持有期 H 均为 1 天时，因子负向收益最高，为-4.32%，夏普比率为-0.73。
我们可以将高频偏度和峰度因子相叠加构建复合因子，即将所有满足流动性条件的N 个期货品种按高频偏度值从低到高排序打分 1-N，按高频峰度值从高到低排序打分 1-N，将两个因子等权相加后选择分数最高的前 20%期货品种做多，分数最低的前 20%期货品种做空，因子在不同参数组下的表现如表 3 所示。当回看期 R 和持有期 H 均为 1 天时，因子收益最高，为 7.46%，夏普比率为 1.27。因子在 R=10-15， H=1-5 参数区域内表现相对稳定，平均年化收益率为 3.96%。
