量化因子掘金系列專題報告：OpenFE驅動下的多因子融合實戰.pdf

量化因子掘金系列專題報告：OpenFE驅動下的多因子融合實戰。研究要旨：本研究運用 OpenFE 自動特征生成算法，搭建因子挖掘工作流。通過最大化夏普合成，獲得最終的選股因子，并根據因子值分組構建組合。該框架融合了基本面、量價和 191 Alphas 等三個不同域的特征，經過該框架生成增強型因子、含交互項的因子和最終的合成因子。本文對這些因子進行了回測，分析和應用，并對比分析不同的因子合成方法在此場景下的效果差異。

組合效果：在 A 股選股場景中，OpenFE 生成的合成因子組合年化收益率 24.8%，年化超額 24.5%，夏普 1.66，勝率 58.6%，周勝率 60.8%，盈虧比 1.34。且回撤控制優異，最大回撤 36.4%小于基準，最大回撤持續約 1 個自然月，驗證了其收益與風控的平衡。

策略特點：這些組合過擬合程度低，通過嚴格篩選和因子處理，降低數據中的噪聲干擾，魯棒性好。模塊應用更便捷，運行過程更高效。調倉頻率為周度，一定程度減少了交易損耗。回撤控制優異，回撤修復較快。

因子對比：191 Alphas 和傳統基本面和量價因子的凈值分布均為非正態，從統計上看均有右偏傾向，個別因子表現可以非常好。在不依賴正態性的檢驗中，兩類因子的方差和中位數并無顯著差異，在較寬泛條件的 t 檢驗中，兩類因子的均值也無顯著差異。從總體上，不能說 191 Alphas 顯著更強。但在不同時域和選股域上可能會存在個體差異。這些因子都有不同的適用場景和頻率。

多域融合：深度聚焦于基本面、量價以及 191 Alphas 這三個不同域的特征融合。通過 OpenFE 的特征生成方法，不僅生成增強型因子，而且挖掘出包含不同域之間交互項的因子，充分挖掘各域因子的獨特優勢與潛在關聯，實現多維度數據的有機整合，以此構建出更具預測能力與市場適應性的選股因子體系。