金工深度研究：高頻特征參數(shù)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(shù)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(shù)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(shù)據(jù)，構(gòu)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(xù)前期報告《以空間換時間——多目標(biāo)基本面選股因子挖掘框架》的參數(shù)化 思路，我們設(shè)計了四步因子計算流程與萬能公式因子格式，使因子表達(dá)式具 備高度模塊化與可解釋性。在因子挖掘環(huán)節(jié)，我們采用 NSGA-III 多目標(biāo)遺 傳算法，并創(chuàng)新性地引入動態(tài)短板懲罰機制，有效克服高維目標(biāo)空間中的“維 數(shù)災(zāi)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(xué) 習(xí)模型后，在各寬基指數(shù)增強場景下均取得顯著提升，在 2023-01-03 至 2026-02-27 回測區(qū)間內(nèi)，1000 增強相比經(jīng)典深度學(xué)習(xí)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(jīng)歷高度模塊化的四步流程。第一步“輸入與切片”鎖定 目標(biāo)研究時段，以窗口中心 slice 為基準(zhǔn)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(shù)據(jù)范圍。第二步“時序掩碼”以指定量 價字段 mask_field 為參考基準(zhǔn)，根據(jù)預(yù)設(shè)的截斷方向與閾值 mask_rule 生 成掩碼，對樣本進(jìn)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(shù)據(jù)降頻為日頻因子。第四步“因子后處理”執(zhí)行中位 數(shù)去極值、行業(yè)市值中性化與截面 Z-Score 標(biāo)準(zhǔn)化。所有因子統(tǒng)一格式為一 行擁有十項參數(shù)的通用公式，確保表達(dá)式具備一致性與可讀性。

多目標(biāo)排序改進(jìn)：五目標(biāo) NSGA-III 與短板懲罰改進(jìn)

傳統(tǒng)遺傳規(guī)劃往往陷入單目標(biāo)最優(yōu)導(dǎo)致的因子同質(zhì)化困境。本研究構(gòu)建五目 標(biāo)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(yù)測能力與實盤表現(xiàn)。針對高維目標(biāo)空間下 NSGA-II 面臨的"維數(shù)災(zāi)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(guān)聯(lián)操作引導(dǎo)種群在多維空間中均勻分布。進(jìn)一步，我們在非支配排序 與參考點構(gòu)造之間引入動態(tài)短板懲罰機制，有效清除畸形種群，優(yōu)選“德智 體美勞”全面發(fā)展的優(yōu)質(zhì)因子。

代表性因子展示：自相關(guān)、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(jìn)行系統(tǒng)性復(fù)盤，我們發(fā)現(xiàn)成交筆數(shù)自相關(guān)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(xiàn)持續(xù)突出。成交筆 數(shù)自相關(guān)因子基于分鐘級成交筆數(shù)及其滯后序列，通過斜率、相關(guān)系數(shù)等方 式計算，分鐘成交筆數(shù)原有的自相關(guān)結(jié)構(gòu)被打破往往意味著主力資金開始關(guān) 注并主動介入標(biāo)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(tǒng)性波動影響，提 純出標(biāo)的自身內(nèi)生、真實的交易規(guī)模信號。量價空間歐氏距離因子敏銳捕捉 成交筆數(shù)與成交金額之間流動性結(jié)構(gòu)斷裂的信息，在常態(tài)交易環(huán)境下兩者應(yīng) 呈現(xiàn)高度正相關(guān)性，當(dāng)產(chǎn)生巨大歐氏距離時意味著微觀結(jié)構(gòu)出現(xiàn)極端背離。