量化模型与构建方式 1. 高频因子 1. 因子名称：日内高频偏度因子 因子构建思路：通过分析股票日内收益的偏度特征来捕捉市场情绪和价格波动异常[3][6] 因子具体构建过程：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》，对常规因子进行正交化处理[11] 因子评价：长期多空收益稳定，但5月表现较弱[3][6] 2. 因子名称：日内下行波动占比因子 因子构建思路：衡量股票下跌波动在总波动中的占比，反映风险特征[3][6] 因子具体构建过程：基于专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》方法构建[17] 3. 因子名称：开盘后买入意愿占比因子 因子构建思路：通过开盘后买入交易量占比捕捉资金流向[3][6] 因子具体构建过程：采用《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》方法[21] 4. 因子名称：开盘后大单净买入占比因子 因子构建思路：分析大单资金在开盘后的净流入情况[3][6] 因子评价：2025年月胜率达100%，稳定性突出[7] 2. 深度学习因子 1. 因子名称：改进GRU(50,2)+NN(10)因子 因子构建思路：结合门控循环单元和神经网络提取高频数据时序特征[3][14] 因子评价：多空收益持续为正但多头超额收益为负[10] 2. 因子名称：多颗粒度模型（5日标签） 因子构建思路：基于双向AGRU训练，融合不同时间颗粒度的市场信息[15][66] 因子评价：2025年多空收益达28.86%，表现最佳[10] 3. AI增强组合模型 模型名称：中证500/1000 AI增强组合 模型构建思路：以多颗粒度模型因子为核心，通过优化约束条件构建增强组合[69] 模型具体构建过程： - 目标函数：$max\sum\mu_{i}w_{i}$，其中μi为股票预期超额收益[70] - 风险控制模块包含个股/行业约束、市值约束、财务指标约束等[70] - 交易成本假设为双边3‰[71] 回测效果 1. 高频因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | IC(2025) | RankMAE(2025) | |--------------------------|--------------|-------------|-----------------|----------|---------------| | 日内高频偏度因子 | 0.18% | -1.42% | 14.35% | 0.057 | 0.331 | | 开盘后大单净买入占比因子 | 0.31% | -0.33% | 12.32% | 0.039 | 0.324 | | 大单推动涨幅因子 | 0.36% | -0.53% | 4.26% | 0.005 | 0.322 | 2. 深度学习因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | 多头超额(2025) | |--------------------------|--------------|-------------|-----------------|----------------| | GRU(50,2)+NN(10) | 0.09% | 0.11% | 16.01% | -1.81% | | 多颗粒度模型(5日标签) | 0.56% | 0.81% | 28.86% | 9.83% | 3. AI增强组合 | 组合名称 | 上周超额收益 | 5月超额收益 | 2025年超额收益 | |------------------------------|--------------|-------------|----------------| | 中证500 AI增强宽约束组合 | 1.19% | 3.50% | 7.44% | | 中证1000 AI增强严约束组合 | 0.98% | 3.33% | 11.98% |