> 全景图 研究覆盖热力图
暂无全景图数据
运行 python -m pipeline registry 生成覆盖矩阵
研究空白 (0)
暂无空白 — 所有维度组合均有覆盖
改进机会 (7)
用集合竞价成交额占比作为隔夜收益的信息权重，构造加权隔夜收益因子。集合竞价成交额占比越高说明隔夜信息冲击越大，该日隔夜收益的预测性应更强。具体: r_overnight_weighted = Σ(隔夜收益_t × 集合竞价成交额占比_t / 平均占比)，替代简单累加的RO，再构造W-OVP = r_overnight_weighted - RP
APM因子模型的进阶版 预期: 通过加权放大高信息日的贡献，预期提升因子的信息比和稳定性，减少低信息日的噪音
用隔夜收益与尾盘收益(14:30-15:00)的差异构造因子: OVP_tail = RO - R_tailclose。尾盘半小时是机构调仓和知情交易者修正仓位的主要时段，与隔夜形成信息对冲
APM因子模型的进阶版 预期: 尾盘收益可能比整个下午收益包含更多反转信息，预期因子表现提升
结合W式切割，仅选择平均单笔成交金额处于特定分位的交易日计算OVP因子，筛选出散户主导(低单笔金额)的过度反应日和机构主导(高单笔金额)的知情交易日分别构造因子
APM因子模型的进阶版 预期: 通过交易日筛选增强信号纯度，预期IC和IR显著提升
使用Transformer架构替换DCGAN作为生成器，并结合Tree-LSTM或递归神经网络解析逆波兰表达式的树形结构进行预测器建模，以更好地捕捉算子与特征间的层级与长距离依赖关系。
【广发金工】AlphaForge：基于梯度下降的因子挖掘 预期: 提高复杂长公式生成的合理性和预测器对因子表达式深度语义的拟合精度，进而提升挖掘出高质量高阶因子的概率，降低因子库冗余。
使用成交额加权的位移路程比替代等权平滑动量，即在路程计算中以成交额加权|日收益|，使大资金参与日的价格运动权重更高，过滤散户噪音日的虚假路径
【国信金工】动量类因子全解析 预期: 预计RankIC提升0.3-0.5个百分点，IR提升0.2-0.4，因过滤散户主导日的非理性价格波动
构建'动量加速度'因子——对传统动量Ret_240_20的一阶差分(近20日动量-前20日动量)，捕获动量由弱转强的拐点而非静态强度
【国信金工】动量类因子全解析 预期: 与综合动量低相关，叠加后组合IR预计提升0.3-0.5，因捕获拐点信息
将特质动量的风格回归扩展为动态风格暴露——用过去60日滚动回归得到的风格载荷作为时变权重，而非全样本固定回归
【国信金工】动量类因子全解析 预期: 预计特质动量RankIC提升0.2-0.4个百分点，因更准确剥离时变风格暴露