量化模型与构建方式 1. 模型名称：KD-Ensemble模型 - 模型构建思路：基于知识蒸馏的思想，将树模型和神经网络进行集成，利用教师模型过滤信息后传递给学生模型，从而捕捉alpha因子与未来收益率之间的线性和非线性函数依赖关系[6][16][76] - 模型具体构建过程： 1. 教师模型（树模型）先进行训练，学习并过滤信息，识别“有用”成分和噪声成分 2. 将教师模型学习到的有效信息传递给学生模型（神经网络） 3. 学生模型通过结合教师模型的知识和原始数据进行训练，最终生成综合得分 4. 损失函数公式： $f_{tree}=argmin_{f\in g}MSE(f(x),y_{label})$ $f_{nn}=argmin_{f\in g}l(f(x)|I_{tree},y_{label},\lambda)$ $y_{pred}=f_{nn}(x|I_{tree},y_{label},\lambda)$ 其中，$I_{tree}$表示教师模型传递的信息，$\lambda$为超参数[78][79] - 模型评价：通过集成树模型和神经网络的优点，显著提升了模型的表达能力和样本外预测能力[16][76] 2. 模型名称：风险中性模型 - 模型构建思路：在alpha因子生成阶段加入风险因子生成部分，并使alpha因子与风险因子相互正交，以抑制可能带来较大回撤的风格轮动成分[6][81][83] - 模型具体构建过程： 1. 共享输入数据和RNN单元的网络参数 2. 损失函数公式： $Loss=MSE(F_{K},y_{neu})+Resquare(F_{K},y)+\lambda\left\|corr(F,F)\right\|$ 其中，$F_{K}$为alpha因子，$y_{neu}$为中性化收益率标签，$y$为原始收益率标签，$\lambda$为超参数[83] 3. 通过上述方法生成具有更低风险暴露的alpha因子，降低风格轮动成分的影响[83] - 模型评价：显著降低了模型的最大回撤，提高了模型的稳定性[83][94] --- 模型的回测效果 1. KD-Ensemble模型 - 中证全指：RankIC均值16.69%，年化ICIR为8.00，Top组年化超额收益率为51.73%，最大回撤为-23.05%[87][94] - 沪深300：RankIC均值12.22%，年化ICIR为0.75，Top组年化超额收益率为34.16%，最大回撤为-6.92%[95] - 中证500：RankIC均值12.39%，年化ICIR为0.93，Top组年化超额收益率为31.38%，最大回撤为-12.53%[96] - 中证1000：RankIC均值15.35%，年化ICIR为1.26，Top组年化超额收益率为41.81%，最大回撤为-10.65%[97] 2. 风险中性模型 - 中证全指：RankIC均值15.83%，年化ICIR为8.15，Top组年化超额收益率为47.96%，最大回撤为-7.48%[87][94] - 沪深300：RankIC均值10.98%，年化ICIR为0.73，Top组年化超额收益率为31.35%，最大回撤为-6.30%[95] - 中证500：RankIC均值11.45%，年化ICIR为0.91，Top组年化超额收益率为25.69%，最大回撤为-10.81%[96] - 中证1000：RankIC均值14.60%，年化ICIR为1.29，Top组年化超额收益率为36.07%，最大回撤为-8.99%[97] --- 量化因子与构建方式 1. 因子名称：小单早盘占比因子 - 因子构建思路：通过小单成交额占比捕捉市场短期风险信息[6][20] - 因子具体构建过程： 1. 定义公式： $\text{小单早盘占比因子} = \frac{\text{9:30至10:00小单成交额}}{\text{全天小单成交额}}$ 2. 数据处理：剔除撤单数据、盘前和尾盘集合竞价数据[18][20] - 因子评价：对未来收益有较好的解释能力，但预测方向波动较大，可视作短期风险因子[50][127] 2. 因子名称：小单收益率因子 - 因子构建思路：通过小单收益率捕捉市场短期收益信息[6][42] - 因子具体构建过程： 1. 定义公式： $\int_{0}^{T}I_{\{\text{order为小单}\}}\frac{dP(t)}{P(t)}$ 其中，$I$为示性函数，$[0,T]$为交易时间区间[42][43] 2. 数据处理：剔除无效数据，统一调成正向[53] - 因子评价：在中证全指上表现较好，具有较强的选股能力[50][127] 3. 因子名称：挂单价格分歧度因子 - 因子构建思路：通过盘口挂单价格分歧度捕捉市场供需关系[6][51] - 因子具体构建过程： 1. 定义公式： $\int_{0}^{T}zscore\left(\sum_{i=1}^{10}\frac{P_{t}^{A}(i)-P_{t}^{B}(i)}{P_{t}^{A}(i)+P_{t}^{B}(i)}w_{i}\right)dt$ 其中，$P_{t}^{A}(i)$和$P_{t}^{B}(i)$分别为买卖盘挂单价格，$w_{i}$为权重参数[51][52] 2. 数据处理：滚动求平均并调成正向[53] - 因子评价：在中证全指和中证1000表现较强，但在2019~2020年出现短暂失效[62][127] --- 因子的回测效果 1. 小单早盘占比因子 - 中证全指：RankIC均值6.36%，年化收益率21.64%，最大回撤-27.15%[21] - 沪深300：RankIC均值7.11%，年化收益率20.76%，最大回撤-32.50%[21] 2. 小单收益率因子 - 中证全指：RankIC均值6.55%，年化收益率40.37%，最大回撤-13.98%[44] - 沪深300：RankIC均值2.61%，年化收益率9.69%，最大回撤-30.77%[44] 3. 挂单价格分歧度因子 - 中证全指：RankIC均值5.36%，年化收益率19.32%，最大回撤-35.25%[54] - 沪深300：RankIC均值2.41%，年化收益率13.52%，最大回撤-61.45%[54]