量化因子与构建方式 高频因子 1. 因子名称：日内高频偏度因子 - 构建思路：衡量股票日内收益分布的偏度特征，捕捉非对称波动信息[9] - 具体构建：基于日内分钟级收益率计算偏度统计量，公式为： $Skewness = \frac{E[(R-\mu)^3]}{\sigma^3}$ 其中$R$为日内收益率序列，$\mu$为均值，$\sigma$为标准差[9] 2. 因子名称：日内下行波动占比因子 - 构建思路：量化下行风险在总波动中的贡献[16] - 具体构建：计算日内负收益率的波动方差与总波动方差比值： $DownVolRatio = \frac{\sum_{R_t<0}(R_t-\mu_-)^2}{\sum(R_t-\mu)^2}$ $\mu_-$为负收益率均值[16] 3. 因子名称：开盘后买入意愿占比因子 - 构建思路：通过开盘后大单买入占比反映市场情绪[23] - 具体构建：统计开盘后30分钟内大单买入金额占总成交比例[23] 4. 因子名称：开盘后大单净买入强度因子 - 构建思路：结合大单净买入金额与股票流动性[36] - 具体构建： $NetBuyPower = \frac{NetLargeBuy}{Avg(Volume)}$ 分子为大单净买入金额，分母为过去20日平均成交量[36] 5. 因子名称：改进反转因子 - 构建思路：优化传统反转因子，剔除噪音影响[40] - 具体构建：对过去5日收益率进行流动性加权： $Rev = -\sum w_i r_i, \quad w_i=\frac{Volume_i}{\sum Volume}$[40] 深度学习因子 1. 因子名称：改进GRU(50,2)+NN(10)因子 - 构建思路：结合门控循环单元与神经网络提取高频特征[57] - 具体构建：使用50天历史数据输入双层GRU，输出经10层全连接网络[57] 2. 因子名称：多颗粒度模型-5日标签因子 - 构建思路：通过不同时间颗粒度标签提升预测稳定性[61] - 具体构建：基于双向AGRU网络，训练标签为5日累计收益[61] 模型与组合构建 1. 模型名称：中证1000 AI增强严约束组合 - 构建思路：在基准指数上叠加多因子Alpha模型[66] - 具体构建：目标函数为： $max\sum\mu_{i}w_{i}$ 约束包括个股权重≤1%、行业偏离≤1%、市值暴露≤0.1等12项风控条件[66][67] 回测效果 高频因子 1. 日内高频偏度因子： - 周度多空收益：-0.12%[7] - 2025年累计多空收益：11.2%[7] - RankMAE：0.330[7] 2. 开盘后大单净买入占比因子： - 周度多空收益：1.46%[7] - 2025年累计多空收益：9.17%[7] - IC：0.028[7] 深度学习因子 1. 多颗粒度模型-5日标签因子： - 周度多空收益：1.43%[7] - 2025年累计多空收益：22.01%[7] - IC：0.077[7] AI增强组合 1. 中证1000 AI增强严约束组合： - 2025年超额收益：6.45%[87] - 周胜率：6/14[87]