【重磅专题】遗传算法赋能交易行为因子 | 开源金工

开源开源金工 2026-07-08 置信度: high

综合质量 5 /5

新颖性 5 /5

可复现性 4 /5

核心内容

报告基于遗传算法框架，通过引入切割算子、大小单资金流及日内分钟特征，挖掘并合成出高绩效交易行为因子。重点剖析了4个具有明确逻辑的因子：超大单关注度因子（小单切割超大单）、理想振幅替代因子（收盘价切割日内分钟收益波动）、交易情绪不稳定性因子（时序极差处理分钟量价特征）及主力控盘能力因子（量波与振幅的时序相关性）。

经济逻辑

1) 超大单关注度效应：拆单现象存在下，机构吸筹时往往以小单进货、超大单拉升，表现为高小单强度伴随高超大单强度（正向选股）；机构出货时以小单出货、超大单稳盘，表现为低小单强度伴随高超大单强度（负向选股）。2) 交易情绪不稳定：日内分钟量价特征的时序极差反映了情绪的不稳定属性，不稳定往往预示较差表现。3) 主力控盘能力：日内成交量波动与日度振幅相关性高代表主力控盘能力弱，后续表现较差。

超额收益逻辑

通过行为金融学中的拆单行为和散户羊群效应解释：机构资金在吸筹时隐蔽（小单）拉升时暴露（超大单），出货时隐蔽（小单）稳盘时托底（超大单），从而产生“小单强度”切割“超大单强度”的结构性Alpha。情绪不稳定和主力控盘弱预示未来负收益。时序极差和切割算子提取了传统截面均值无法捕捉的分布特征。

构造细节 [factor]

因子定义

1. 超大单关注度因子: 过去20天中，选取小单强度最高的20%交易日，计算超大单强度均值EXL_high(20%)；选取小单强度最低的20%交易日，计算超大单强度均值EXL_low(20%)。因子值 = EXL_high(20%) - EXL_low(20%)。2. 理想振幅替代因子(VM_diff): 过去20天中，选取收盘价最高的20%交易日，计算日内分钟收益波动均值VM_high(20%)；选取收盘价最低的20%交易日，计算日内分钟收益波动均值VM_low(20%)。因子值 = VM_high(20%) - VM_low(20%)。3. 交易情绪不稳定性因子: 分别计算过去N天日内分钟收益波动、分钟量价相关性、分钟标准成交量波动的日间时序极差(ts_max_to_min)，将三者rank合成。4. 主力控盘能力因子: 计算过去N天“标准化分钟成交量波动”与“振幅”的时序相关性，以及“分钟收益波动”与“振幅”的时序相关性。两者rank取反后合成。

处理流程

1. 数据获取：获取大小单资金流（主动/全部）、日内分钟特征、日间量价数据。大小单进行时序标准化。
2. 算子构建：构建切割算子(根据某变量高低分日提取另一变量均值并做差)和时序极差算子。
3. 遗传算法挖掘：初始化种群(RankICIR>2, 相关<0.4)，使用锦标赛法并基于算子相似度去重，交叉变异时要求子代适应度提升、相关<0.4、树深度<=3。
4. 精细因子计算：根据GA挖掘出的核心逻辑，手动计算如‘超大单关注度’、‘交易情绪不稳定性’等因子值。
5. 去极值与中性化：使用RankICIR评估（经过市值行业中性化处理）。
6. 分组回测：将股票分为5组，计算多空收益、RankICIR及胜率。

参数

切割比例λ: 20%回看窗口N: 20初始种群RankICIR阈值: >2相关性阈值: 40%公式树最大深度: 3

数据输入

: (日频): (分钟): (日频)

组合方式

综合因子由样本内RankICIR>3.5的因子合成；交易情绪不稳定性因子由3个子因子rank合成；主力控盘能力因子由两个相关性因子rank取反合成。

绩效

5.52

综合因子全区间RankICIR

3.83

5分组多空信息比率

28.33%

5分组年化收益

85.09%

5分组胜率

回测期: 20131231-20230630

遗传算法挖掘的因子合成综合因子，全区间RankICIR为5.52，5分组多空信息比例为3.83，年化收益为28.33%，胜率为85.09%，效果较为优异。

收益归因 ✓ 已完成

从行为金融学角度对挖掘出的因子进行了逻辑解释，如超大单关注度效应、交易情绪不稳定性等，并探讨了因子与Barra风格因子及已有资金流因子的相关性。

方法: 行为金融学解释、Barra风格因子相关性分析

缺口: 主要基于逻辑和相关性分析，未进行严格的基于风险模型的收益归因分解。

稳健性

子样本稳定性: 超大单关注度因子在沪深300、中证500、中证1000中多空收益波动比分别为0.65、1.07、1.72，随市值下沉效果增强；交易情绪不稳定性因子在三者中分别为1.48、2.01、2.82，同样在小盘股表现更好。

风格偏差: 超大单关注度因子与流动性相关性较高，其他风格在20%以内；交易情绪不稳定性因子与波动率相关性较高，其他在20%以内。

因子在中小盘表现更佳，对流动性/波动率有一定暴露，整体回测绩效优异且胜率高（超74%）。

数据依赖

所需数据: 日频大小单资金流、日内分钟量价数据（分钟收益波动、分钟成交量、分钟量价相关性）、日间行情数据

可复现性: medium

依赖分钟级数据和精细化资金流拆分数据，计算量较大。切割算子和时序极差算子的定义明确，复现难度中等，但遗传算法完全复现较难，复现重点在于人工重构精选因子。

新颖性评估 [新组合]

创新性引入开源金工特色切割算子结合遗传算法进行因子挖掘，发现了资金流与微观结构的结构性交互关系（如小单切割超大单），并从时序极差角度重构了情绪波动因子，属于算子与新变量组合的创新。

不足与缺陷

遗传算法本身具有过拟合风险，尽管对公式长度进行了惩罚，但全区间RankICIR高达5.52存在前视偏差或过拟合嫌疑，样本外仅给出了半年验证。
切割算子的时间窗口N固定为20天，缺乏对不同窗口长度的敏感性测试。
因子构造较多依赖分钟级微观结构数据和资金流拆分，数据成本和处理门槛较高。

可复用元素

切割算子：根据变量A的排序提取变量B的特征（高段均值-低段均值），可用于挖掘变量间的非线性结构关系。
时序极差算子(ts_max_to_min)：衡量变量过去N天的极值差异，反映情绪不稳定性，是改进传统波动率因子的有效手段。
小单切割超大单的思路，揭示了拆单行为导致的资金流结构性差异。

启发

资金流不仅看绝对大小，还可以看大小单之间的‘条件分布’特征。
将日度振幅替换为更精细的分钟收益波动或量价相关性能增强因子效果。
GA算法的子代替换规则中加入复杂度惩罚和相关性限制，是防止因子同质化的好方法。

改进方向

多变量条件切割：使用‘小单强度’和‘成交量波动率’双重条件进行切割提取超大单强度

基于: 小单切割超大单逻辑预期收益: 进一步提纯超大单关注度效应，过滤掉非情绪驱动的高波动期，可能提升ICIR

使用动态时间窗口或自适应参数替代固定的20天窗口进行切割算子计算

基于: 切割算子的时序敏感性预期收益: 适应不同市场周期和股票波动状态，提高因子的稳定性和泛化能力

复现计划

1. 数据准备：获取A股日频资金流数据（区分大中小单及主动被动）及分钟级量价数据，计算基础变量如分钟收益波动、分钟量价相关性、标准成交量波动。2. 因子计算：按研报公式实现切割算子（取前20%高值组均值减去后20%低值组均值）和ts_max_to_min算子，计算超大单关注度、VM_diff、交易情绪不稳定性和主力控盘能力因子。3. 中性化与回测：对所有因子进行去极值、市值行业中性化。4. 分5组回测，统计RankICIR、多空IR、胜率等指标，并与Barra风格因子进行相关性分析。

实体

遗传算法 [method]切割算子 [concept]超大单关注度因子 [factor]交易情绪不稳定性因子 [factor]主力控盘能力因子 [factor]理想反转 [factor]理想振幅 [factor]大小单资金流 [dataset]日内分钟特征 [dataset]魏建榕 [person]盛少成 [person]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY