量化因子与构建方式 1. 因子名称：高频偏度因子 - 因子构建思路：通过分析股票收益的分布特征，捕捉股票收益的偏度信息，构建高频偏度因子[14] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，已对常规因子进行正交[14] 2. 因子名称：下行波动占比因子 - 因子构建思路：通过分解已实现波动，捕捉下行波动的占比信息，构建下行波动占比因子[17] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 3. 因子名称：开盘后买入意愿占比因子 - 因子构建思路：通过分析开盘后买入意愿的占比，捕捉市场情绪，构建开盘后买入意愿占比因子[22] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22] 4. 因子名称：开盘后买入意愿强度因子 - 因子构建思路：通过分析开盘后买入意愿的强度，捕捉市场情绪的强弱，构建开盘后买入意愿强度因子[26] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[26] 5. 因子名称：开盘后大单净买入占比因子 - 因子构建思路：通过分析开盘后大单净买入的占比，捕捉大单交易行为，构建开盘后大单净买入占比因子[30] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[30] 6. 因子名称：开盘后大单净买入强度因子 - 因子构建思路：通过分析开盘后大单净买入的强度，捕捉大单交易的强度信息，构建开盘后大单净买入强度因子[33] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[33] 7. 因子名称：改进反转因子 - 因子构建思路：通过改进传统的反转因子，捕捉股票价格的反转信号，构建改进反转因子[37] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[37] 8. 因子名称：尾盘成交占比因子 - 因子构建思路：通过分析尾盘成交的占比，捕捉尾盘交易行为，构建尾盘成交占比因子[38] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[38] 9. 因子名称：平均单笔流出金额占比因子 - 因子构建思路：通过分析平均单笔流出金额的占比，捕捉资金流出行为，构建平均单笔流出金额占比因子[41] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[41] 10. 因子名称：大单推动涨幅因子 - 因子构建思路：通过分析大单交易对股价涨幅的推动，捕捉大单交易的影响，构建大单推动涨幅因子[44] - 因子具体构建过程：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[44] 11. 因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)） - 因子构建思路：通过改进的GRU模型和神经网络模型，捕捉高频数据中的非线性关系，构建深度学习高频因子[48] - 因子具体构建过程：因子基于改进的GRU(50,2)和NN(10)模型训练得到[48] 12. 因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)） - 因子构建思路：通过残差注意力机制的LSTM模型和神经网络模型，捕捉高频数据中的非线性关系，构建深度学习高频因子[53] - 因子具体构建过程：因子基于残差注意力LSTM(48,2)和NN(10)模型训练得到[53] 13. 因子名称：深度学习因子（多颗粒度模型-5 日标签） - 因子构建思路：通过双向AGRU模型，捕捉多颗粒度的时间序列信息，构建深度学习因子[55] - 因子具体构建过程：因子基于双向AGRU模型训练得到[55] 14. 因子名称：深度学习因子（多颗粒度模型-10 日标签） - 因子构建思路：通过双向AGRU模型，捕捉多颗粒度的时间序列信息，构建深度学习因子[59] - 因子具体构建过程：因子基于双向AGRU模型训练得到[59] 因子的回测效果 1. 高频偏度因子 - 本周多空收益率：0.01%[5] - 3月多空收益率：0.86%[5] - 2025年多空收益率：3.40%[5] 2. 下行波动占比因子 - 本周多空收益率：0.04%[5] - 3月多空收益率：0.76%[5] - 2025年多空收益率：3.22%[5] 3. 开盘后买入意愿占比因子 - 本周多空收益率：-0.09%[5] - 3月多空收益率：0.24%[5] - 2025年多空收益率：0.95%[5] 4. 开盘后买入意愿强度因子 - 本周多空收益率：-0.27%[5] - 3月多空收益率：0.13%[5] - 2025年多空收益率：0.37%[5] 5. 开盘后大单净买入占比因子 - 本周多空收益率：0.26%[5] - 3月多空收益率：0.75%[5] - 2025年多空收益率：1.77%[5] 6. 开盘后大单净买入强度因子 - 本周多空收益率：0.13%[5] - 3月多空收益率：0.27%[5] - 2025年多空收益率：1.15%[5] 7. 改进反转因子 - 本周多空收益率：-0.07%[5] - 3月多空收益率：-0.13%[5] - 2025年多空收益率：-0.36%[5] 8. 尾盘成交占比因子 - 本周多空收益率：-0.20%[5] - 3月多空收益率：0.00%[5] - 2025年多空收益率：1.64%[5] 9. 平均单笔流出金额占比因子 - 本周多空收益率：-0.18%[5] - 3月多空收益率：0.25%[5] - 2025年多空收益率：1.06%[5] 10. 大单推动涨幅因子 - 本周多空收益率：0.06%[5] - 3月多空收益率：0.02%[5] - 2025年多空收益率：1.20%[5] 11. 深度学习高频因子（改进 GRU(50,2)+NN(10)） - 本周多空收益率：0.14%[5] - 3月多空收益率：0.30%[5] - 2025年多空收益率：0.94%[5] 12. 深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)） - 本周多空收益率：0.06%[5] - 3月多空收益率：0.21%[5] - 2025年多空收益率：1.25%[5] 13. 深度学习因子（多颗粒度模型-5 日标签） - 本周多空收益率：0.10%[5] - 3月多空收益率：0.83%[5] - 2025年多空收益率：2.26%[5] 14. 深度学习因子（多颗粒度模型-10 日标签） - 本周多空收益率：0.14%[5] - 3月多空收益率：0.84%[5] - 2025年多空收益率：1.98%[5] 量化模型与构建方式 1. 模型名称：周度调仓的中证 500 AI 增强组合 - 模型构建思路：基于深度学习因子（多颗粒度模型-10 日标签）构建中证 500 AI 增强组合，优化目标为最大化预期收益[62] - 模型具体构建过程：目标函数为 $m a x\sum\mu_{i}w_{i}$，其中wi为组合中股票i的权重，μi为股票i的预期超额收益[63] 2. 模型名称：周度调仓的中证 1000 AI 增强组合 - 模型构建思路：基于深度学习因子（多颗粒度模型-10 日标签）构建中证 1000 AI 增强组合，优化目标为最大化预期收益[62] - 模型具体构建过程：目标函数为 $m a x\sum\mu_{i}w_{i}$，其中wi为组合中股票i的权重，μi为股票i的预期超额收益[63] 模型的回测效果 1. 周度调仓的中证 500 AI 增强组合 - 本周超额收益率：0.70%[13] - 3月超额收益率：0.37%[13] - 2025年超额收益率：-1.51%[13] 2. 周度调仓的中证 1000 AI 增强组合 - 本周超额收益率：1.47%[13] - 3月超额收益率：0.72%[13] - 2025年超额收益率：0.00%[13]