量化模型与构建方式 1. 模型名称：混频深度学习模型 - 模型构建思路：将日频和高频量价特征共同输入深度学习模型，通过延长训练和迭代周期，挖掘更多的增量信息[10][11][12] - 模型具体构建过程： 1. 输入特征：26个日频特征和64个60分钟频特征，分别提取股票的日度收益、价格形态、交易活跃度、流动性及日内微观结构[11][12] 2. 数据预处理：2013年5月之前的高频量价特征因数据完整性问题被填充为0[12] 3. 模型架构：采用两个独立的GRU模块分别提取日频和高频特征信息，随后通过MLP整合GRU输出并生成最终预测[12][13] 4. 训练设置： - 验证早停集：最近120个交易日的数据 - 训练集：1200个交易日的数据 - 模型迭代：每隔120个交易日迭代一次 - 损失函数：MSE[16][17][22] 5. 预测标签：未来5日收益率和未来10日收益率[17] 6. 重复训练：同一组超参的模型重复训练5次，推理时取均值作为输出[22] - 模型评价：通过将低频和高频特征一同输入深度学习模型，显著提升了IC、RankIC等指标，同时保持较高的ICIR和胜率[72] 2. 模型名称：正交深度学习模型 - 模型构建思路：在深度学习模型的MLP与输出层之间加入正交层，生成多个两两正交的因子集合[62][63] - 模型具体构建过程： 1. 添加正交层：在不改变模型整体架构及损失函数的前提下，通过线性变换实现因子正交[62] 2. 输出结果：生成32个因子，因子间的相关性绝大多数小于0.15，基本实现正交效果[63][64] 3. 扩展目标：可进一步生成与指定因子集合（如行业、市值、BP）正交且内部相互正交的因子集合[67] - 模型评价：正交约束后，因子集合的选股能力有所削弱，但实现了因子间的低相关性，适合挖掘增量因子[67][70] --- 模型的回测效果 1. 混频深度学习模型 - IC均值：周频因子IC均值为0.10，双周频和月频因子IC均值分别为0.11和0.12[19][39] - 年化ICIR：周频因子年化ICIR为7.853（未来10日因子）[19] - 胜率：周频因子胜率为87%-91%[19] - 多头组合年化超额收益： - TOP 10%组合：周频因子为29.4%-30.8%，双周频因子为20.9%-22.2%，月频因子为13.7%-15.5%[26][39] - TOP 100组合：周频因子为34.4%，双周频因子为22.7%-23.6%，月频因子为14.5%-16.1%[26][39] 2. 正交深度学习模型 - IC均值：相互正交因子IC均值为0.03-0.04，与行业、市值和BP正交的因子IC均值为0.015-0.025[66][70] - 胜率：相互正交因子胜率为71%-81%，与行业、市值和BP正交的因子胜率为59%-71%[66][70] - 多头组合年化超额收益： - 相互正交因子：TOP 10%组合为5%-12%[66] - 与行业、市值和BP正交的因子：TOP 10%组合为-0.6%-5.6%[70] --- 量化因子与构建方式 1. 因子名称：未来5日因子 - 因子构建思路：基于深度学习模型预测股票未来5日收益率[17] - 因子具体构建过程：以股票过去60个交易日的日频和高频量价特征序列为输入，训练深度学习模型，输出未来5日收益率预测[16][17] - 因子评价：表现优于未来10日因子，IC和胜率更高，但因子自相关性较低，换手率较高[19] 2. 因子名称：未来10日因子 - 因子构建思路：基于深度学习模型预测股票未来10日收益率[17] - 因子具体构建过程：与未来5日因子类似，但预测标签为未来10日收益率[17] - 因子评价：相比未来5日因子，换手率较低，但IC和胜率略逊一筹[19] --- 因子的回测效果 1. 未来5日因子 - IC均值：周频为0.104，双周频为0.111，月频为0.112[19][39] - 年化ICIR：周频为8.418[19] - 胜率：周频为91%[19] - 多头组合年化超额收益： - TOP 10%组合：周频为29.4%，双周频为20.9%，月频为13.7%[26][39] - TOP 100组合：周频为34.4%，双周频为22.7%，月频为14.5%[26][39] 2. 未来10日因子 - IC均值：周频为0.102，双周频为0.113，月频为0.116[19][39] - 年化ICIR：周频为7.853[19] - 胜率：周频为87%[19] - 多头组合年化超额收益： - TOP 10%组合：周频为30.8%，双周频为22.2%，月频为15.4%[26][39] - TOP 100组合：周频为34.4%，双周频为23.6%，月频为15.9%[26][39]