【广发金融工程】精选量化研究系列之八：深度学习框架下高频数据因子挖掘

广发广发金工 2026-06-11 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告在高频数据低频化基础上，用深层全连接神经网络从76个日频因子中提取高阶特征。高频因子涵盖日内价格（累积收益率、高阶统计量、趋势强度）、成交量分布、盘前集合竞价、Level-2资金流向（小/中/大/特大单主动买卖）、以及特定时段（开盘后半小时、收盘前半小时、大成交量时刻）的价量信息。神经网络输出3分类（涨/平/跌），标注基于未来5日收益率截面前/后10%。提取的特征通过基于回归的特征组合方法生成最终选股信号。

经济逻辑

高频价量数据体量大、噪声高、信息密度低，但与低频因子相关性低、拥挤度低，蕴含增量alpha。深度学习擅长从高维噪声数据中提取非线性特征表达，相比人工因子挖掘和线性PCA/GBDT方法，能学习更丰富的高阶交互特征。基于截面回归的特征组合方法实时适应市场风格变化，避免固定权重失效。

超额收益逻辑

超额收益来源：(1)高频数据信息量大、因子拥挤度低，与低频因子相关性低，提供增量alpha；(2)深度学习提取的高阶非线性特征能捕获人工因子难以发现的交互模式；(3)基于截面回归的特征组合方法实时适应市场风格变化，避免固定权重失效；(4)资金流向因子反映主力资金行为，集合竞价因子反映隔夜试盘博弈，特定时段(开盘/收盘半小时)因子反映关键博弈时点的多空力量。

构造细节 [model]

模型架构

7层全连接神经网络：输入层X(76节点) → 隐含层H1 → H2 → H3 → H4 → H5 → 输出层Y(3节点)。隐含层使用全连接结构，含非线性激活函数(具体未说明，推测ReLU)。输出层使用Softmax激活生成3分类概率。损失函数为多分类交叉熵。采用全市场股票训练(过滤后)。

输入

73个高频低频化日频因子(日内价格9个+成交量+盘前集合竞价+Level-2资金流向+时段扩展)市值(mktval)5日换手率均值(turnover5D)5日收益率(ret5D)

输出

3分类输出：上涨[1,0,0](未来5日收益前10%)、平盘[0,1,0](中间10%)、下跌[0,0,1](后10%)；以及隐含层H1-H5提取的高阶特征用于后续回归组合

训练

全市场股票训练(剔除上市<20交易日、ST、停牌、涨跌停)；标签为未来5日收益率(T+1开盘价基准)截面前/中/后10%的三分类；交叉熵损失函数优化网络参数w；训练完成后提取隐含层节点作为高阶特征。

数据输入

: (分钟→日频): (分钟→日频): (集合竞价→日频): (逐笔→日频): (分钟→日频): (日频): (日频): (日频)

组合方式

基于回归的特征组合方法：提取神经网络隐含层特征后，在每个时间截面上对特征与未来收益率进行回归，产生回归系数作为特征权重，实时跟随市场特点，组合特征生成选股信号。

绩效

7.7%

样本外特征平均IC绝对值

7.6%

5日IC均值

7.8%

5日IC标准差

26.0%

中证500多头组合年化超额收益率

2.99

中证500超额收益夏普比率

42.4%

中证1000多头组合年化超额收益率

3.37

中证1000超额收益夏普比率

基准: 中证500指数、中证1000指数

回测期: 2019年以来

深度学习模型提取的特征在样本外具有较高的IC，平均IC绝对值为7.7%。在20%换手率约束下，中证500成分股选股多头组合年化超额收益26.0%，夏普2.99；中证1000成分股选股多头组合年化超额收益42.4%，夏普3.37。

收益归因

报告未对超额收益进行具体的风险因子归因分析。

缺口: 缺乏对收益来源的风格归因、行业暴露及风险拆解分析。

稳健性

子样本稳定性: 样本外(2019年以来)特征平均IC绝对值7.7%，其中IC<5%的特征仅5个(占比约16%)，84%特征IC>5%，特征整体选股能力稳定。5日IC均值7.6%/标准差7.8%，ICIR约0.97。

风格偏差: 输入包含市值、换手率、收益率等风格因子，但报告未对输出特征进行风格归因分析，无法确认是否存在风格暴露偏移。

样本外IC稳定性尚可但ICIR不高(~1.0)，中证1000超额收益(42.4%)显著高于中证500(26.0%)，可能因小盘股高频信号有效性更强。缺乏风格归因和子周期稳定性分析。

数据依赖

所需数据: 分钟OHLCV行情数据、Level-2逐笔成交数据(需额外付费)、集合竞价数据(9:15-9:25)、Wind资金流向数据、日频行情/财务数据

可复现性: hard

因子定义部分可复现(价格/成交量/盘前/时段扩展)，但资金流向依赖Wind付费数据，神经网络隐含层具体节点数未给出(为图片表格)，特征组合回归方法细节不充分，整体复现难度较高。

新颖性评估 [新组合]

方法本身并非全新(全连接神经网络+高频低频化)，但创新点在于将73个高频因子与3个低频风格因子组合输入深度网络，并用3分类标注(前/中/后10%)替代回归，配合截面回归特征组合方法实时调整权重。整体是高频因子工程+深度学习特征提取+回归组合的新组合方案。

不足与缺陷

隐含层H1-H5的具体节点数以图片形式呈现，文本中未给出数值，无法精确复现网络结构
73个高频因子的具体定义仅有类别描述(价格9个+成交量+盘前+资金流+时段扩展)，具体公式以图片表格形式给出，文本不可读
基于回归的特征组合方法细节不足：回归的具体形式(OLS/Ridge/Lasso)、使用的特征数量、回归窗口等未明确
缺乏风格归因分析：未对超额收益进行Barra风格归因，无法判断alpha来源是纯选股还是风格暴露
缺乏交易成本和冲击成本的明确说明，20%换手率约束下的实际净收益可能显著低于报告值
3分类标注丢弃中间80%样本，训练数据利用率低，可能影响特征提取质量
ICIR约0.97(7.6/7.8)并不高，特征稳定性有提升空间
未报告训练集/验证集/测试集的具体时间划分，样本外起始时间模糊(2019年以来)

可复用元素

高频因子分类体系：日内价格(9个)、成交量、盘前集合竞价、资金流向、时段扩展，提供完整的因子构建框架
资金流向四档划分标准明确：小单<4万、中单4-20万、大单20-100万、特大单>100万
集合竞价分两阶段(9:15-9:20可撤单/9:20-9:25不可撤单)分别提取特征，反映试盘行为
大成交量定义：分钟成交量排序前1/3，提取对应时刻价格特征
3分类标注思路：将回归问题转化为分类问题，降低噪声影响
基于截面回归的特征组合：实时适应市场风格，避免固定权重失效

启发

高频低频化后用深度学习提取高阶特征，相比直接用原始高频数据训练RNN/CNN，计算效率更高且可解释性更强
特定时段(开盘后半小时/收盘前半小时)的价量信息蕴含更多博弈信号，可单独构建因子
集合竞价分阶段特征(可撤单段vs不可撤单段)能反映多空博弈的真实意图
3分类标注(前/中/后10%)可降低极端样本噪声，但中间80%的样本未被利用，可考虑改进

改进方向

将3分类标注改为全样本回归或多档分类(如5档或10档分位数)，提高训练数据利用率，同时在输出层使用连续值预测而非离散分类

基于: 报告3分类仅利用前10%/中间10%/后10%共30%样本，70%中间样本被丢弃预期收益: 训练样本增加2-3倍，特征提取更充分，IC有望提升10-20%

在神经网络中加入注意力机制对76个输入因子进行加权，学习不同因子在不同市场状态下的重要性，替代固定截面回归的特征组合

基于: 报告基于截面回归的特征组合方法为线性加权，可能无法捕获特征间的非线性交互预期收益: 非线性特征组合可提升选股精度，ICIR有望从~1.0提升至1.2+

将隐含层特征提取改为对比学习框架，以正样本(未来上涨)和负样本(未来下跌)构建对比损失，替代3分类交叉熵，增强特征的区分能力

基于: 3分类交叉熵对类别边界敏感且丢弃中间样本，对比学习可利用全部样本且更关注相对排序预期收益: 对比学习在金融时间序列上已有成功案例，特征区分度提升，多头组合超额收益有望提升5-10%

复现计划

1)获取分钟OHLCV和Level-2数据(可替代为Wind资金流API)；2)按报告描述构建73个日频因子：日内价格9个(累积收益率、偏度/峰度、趋势强度)、成交量分布、隔夜收益率+集合竞价两阶段特征、资金流向四档净流入、开盘后/收盘前半小时价量、大成交量时刻价格特征；3)加入市值/5日换手率/5日收益率共76个输入，截面标准化；4)构建7层全连接网络，隐含层节点数需尝试(如76-256-256-128-128-64-3)，ReLU激活+Softmax输出，交叉熵损失；5)标签为未来5日收益率(T+1开盘价基准)前/中/后10%三分类；6)提取隐含层输出特征，用截面OLS/Ridge回归组合，20%换手率约束下在中证500/1000成分股内选股回测。关键不确定性：隐含层节点数、回归组合细节、因子具体公式。