金工深度研究：高頻特征參數化，分鐘級可解釋因子挖掘框架.pdf

金工深度研究：高頻特征參數化，分鐘級可解釋因子挖掘框架。

人工智能 103：因子挖掘通用公式拓展至分鐘級信號

本研究將參數化因子挖掘框架從基本面維度拓展至高頻量價維度，聚焦分鐘 級交易數據，構建了一套可解釋性強、邏輯清晰的分鐘級因子萬能公式。延 續前期報告《以空間換時間——多目標基本面選股因子挖掘框架》的參數化 思路，我們設計了四步因子計算流程與萬能公式因子格式，使因子表達式具 備高度模塊化與可解釋性。在因子挖掘環節，我們采用 NSGA-III 多目標遺 傳算法，并創新性地引入動態短板懲罰機制，有效克服高維目標空間中的“維 數災難”問題。實證表明，將挖掘出的分鐘級信號作為額外特征輸入深度學 習模型后，在各寬基指數增強場景下均取得顯著提升，在 2023-01-03 至 2026-02-27 回測區間內，1000 增強相比經典深度學習模型，年化超額收益 提升 2.9pct，Calmar 比率提升 0.66。

可解釋性通用公式：固定范式、四步流程

分鐘級因子生成需經歷高度模塊化的四步流程。第一步“輸入與切片”鎖定 目標研究時段，以窗口中心 slice 為基準向左右各延伸 0.5 個窗口長度 window，明確計算所需的分鐘級數據范圍。第二步“時序掩碼”以指定量 價字段 mask_field 為參考基準，根據預設的截斷方向與閾值 mask_rule 生 成掩碼，對樣本進行二次篩選。第三步“算子降維”通過單變量算子或雙變 量算子將分鐘級時序數據降頻為日頻因子。第四步“因子后處理”執行中位 數去極值、行業市值中性化與截面 Z-Score 標準化。所有因子統一格式為一 行擁有十項參數的通用公式，確保表達式具備一致性與可讀性。

多目標排序改進：五目標 NSGA-III 與短板懲罰改進

傳統遺傳規劃往往陷入單目標最優導致的因子同質化困境。本研究構建五目 標因子評價體系，涵蓋|IC|、IC 勝率、多頭絕對收益、多頭夏普比率與多頭 勝率，全面刻畫因子的預測能力與實盤表現。針對高維目標空間下 NSGA-II 面臨的"維數災難"問題，我們將排序算法升級為 NSGA-III，通過超平面參考 點與關聯操作引導種群在多維空間中均勻分布。進一步，我們在非支配排序 與參考點構造之間引入動態短板懲罰機制，有效清除畸形種群，優選“德智 體美勞”全面發展的優質因子。

代表性因子展示：自相關、回歸截距與空間歐氏距離

通過對模型挖掘出的有效因子進行系統性復盤，我們發現成交筆數自相關特 征、單筆成交回歸截距與量價空間歐氏距離三類因子表現持續突出。成交筆 數自相關因子基于分鐘級成交筆數及其滯后序列，通過斜率、相關系數等方 式計算，分鐘成交筆數原有的自相關結構被打破往往意味著主力資金開始關 注并主動介入標的。單筆成交回歸截距因子以單筆平均成交金額對分鐘成交 量做線性回歸，剝離個股隨大盤同步放量、縮量帶來的系統性波動影響，提 純出標的自身內生、真實的交易規模信號。量價空間歐氏距離因子敏銳捕捉 成交筆數與成交金額之間流動性結構斷裂的信息，在常態交易環境下兩者應 呈現高度正相關性，當產生巨大歐氏距離時意味著微觀結構出現極端背離。