量化模型与构建方式 1. 模型名称：深层全连接神经网络模型 模型构建思路：通过深层全连接神经网络从日频因子中提取股票特征，预测股票未来走势[28][29] 模型具体构建过程： - 输入层包含76个日频变量，包括73个高频数据低频化的股票特征和3个低频风格因子（股票市值、5日换手率均值、5日收益率）[29] - 网络结构包含7层，分别为输入层X（76个节点）、隐含层H1（128个节点）、H2（128个节点）、H3（64个节点）、H4（64个节点）、H5（32个节点）和输出层Y（3个节点）[30] - 输出层采用softmax激活函数，预测股票未来走势的三种可能性（上涨、平盘、下跌）[31] - 损失函数采用交叉熵损失函数，优化目标为： $E(w)=-\sum_{n=1}^{N}\sum_{k=1}^{K}[y_{n k}\log{\hat{y}}_{n k}+(1-y_{n k})\log(1-{\hat{y}}_{n k})]$ - 训练数据为全市场股票，剔除上市时间不足20个交易日、ST股票、停牌及涨停跌停的股票[33] 2. 模型名称：特征组合模型 模型构建思路：通过回归分析机器生成的特征与股票收益率的关系，构建预测模型[34] 模型具体构建过程： - 对第t期的全市场股票走势，通过回归模型分析股票因子与收益率的关系： $r_{i}^{t}=r_{m}^{t}+\sum_{k=1}^{n}x_{i k}^{t}\beta_{k}^{t}+\varepsilon_{i}$ - 通过滚动平均的方式构建因子对股票收益率的预测模型，将过去T个交易日的回归系数取平均，作为因子对股票收益率解释度的期望值： $E^{s}[\beta_{k}]={\frac{1}{T}}\sum\nolimits_{\tau=1}^{T}\beta_{k}^{s-\tau}$ - 对新一期的股票相对收益率进行预测： ${\hat{r}}_{i}^{s}=\sum_{k=1}^{n}x_{i k}^{s}E^{s}[\beta_{k}]$ - 基于预测收益率筛选股票组合[36][37] 模型的回测效果 1. 深层全连接神经网络模型 - 样本外所有特征的平均IC（取绝对值）为7.7%[2] - 样本外IC均值低于5%的特征数量为5个，占比约16%[2] 2. 特征组合模型 - 2019年以来的样本外数据回测，5日IC均值为7.6%，标准差为7.8%[2] - 在20%的换手率约束下，中证500指数成分股内选股多头组合的年化超额收益率为26.0%，超额收益的夏普比率为2.99[2] - 在20%的换手率约束下，中证1000指数成分股内选股多头组合的年化超额收益率为42.4%，超额收益的夏普比率为3.37[2] 量化因子与构建方式 1. 因子名称：日内价格相关因子 因子构建思路：从日内累积收益率、日内收益率的高阶统计量和日内价格的趋势强度中提取因子[39] 因子具体构建过程： - 包括日内收益率（ret_intraday）、收益率方差（real_var）、收益率峰度（real_kurtosis）、收益率偏度（real_skew）、上行收益率方差（real_upvar）、下行收益率方差（real_downvar）、上行收益率方差占比（ratio_realupvar）、下行收益率方差占比（ratio_realdownvar）、趋势占比（trendratio）[40] 2. 因子名称：成交量相关因子 因子构建思路：从成交量的分布及其与价格或价格走势的关系中提取因子[41] 因子具体构建过程： - 包括开盘后各半小时成交量占比（ratio_volumeH1至ratio_volumeH8）、分钟成交量与价格相关性（corr_VP）、分钟成交量与收益率相关性（corr_VR）、分钟成交量与上一时刻收益率相关性（corr_VRlag）、分钟成交量与下一时刻收益率相关性（corr_VRlead）[42] 3. 因子名称：盘前价量因子 因子构建思路：从隔夜收益率和开盘前集合竞价信息中提取因子[43] 因子具体构建过程： - 包括隔夜收益率（ret_overnight）、开盘价相对第一阶段集合竞价最高价的收益率（ret_open2AH1）、开盘价相对第一阶段集合竞价最低价的收益率（ret_open2AL1）、开盘价相对第二阶段集合竞价最高价的收益率（ret_open2AH2）、开盘价相对第二阶段集合竞价最高价的收益率（ret_open2AL2）、第一阶段集合竞价振幅（diverge_A1）、第二阶段集合竞价振幅（diverge_A2）[44] 4. 因子名称：资金流向因子 因子构建思路：通过Level 2数据计算资金流向，区分不同交易金额的买入和卖出行为[46] 因子具体构建过程： - 包括机构买入金额（amountbuy_exlarge）、机构卖出金额（amountsell_exlarge）、大户买入金额（amountbuy_large）、大户卖出金额（amountsell_large）、中户买入金额（amountbuy_med）、中户卖出金额（amountsell_med）、散户买入金额（amountbuy_small）、散户卖出金额（amountsell_small）、散户净买入金额（amountdiff_small）、散户净主动买入金额（amountdiff_smallact）、中户净买入金额（amountdiff_med）、中户净主动买入金额（amountdiff_medact）、大户净买入金额（amountdiff_large）、大户净主动买入金额（amountdiff_largeact）、机构净买入金额（amountdiff_exlarge）、机构净主动买入金额（amountdiff_exlargeact）、开盘资金流入率（volumeinflowrate_open）、尾盘资金流入率（volumeinflowrate_close）、净流入金额（moneyflow_diff）、净流入率（amountinflow_rate）[47] 因子的回测效果 1. 日内价格相关因子 - 5日IC最高的因子为real_upvar，IC为-5.52%[55] 2. 成交量相关因子 - 5日IC最高的因子为corr_VP，IC为-3.96%[55] 3. 盘前价量因子 - 5日IC最高的因子为ret_open2AH1，IC为4.15%[55] 4. 资金流向因子 - 5日IC最高的因子为amountbuy_small，IC为-7.60%[55]