本报告构建并融合了四大类因子:基本面因子OPENFE、日频量价因子Alpha158、分钟频因子MAlpha65和高频降频因子L2Alpha,利用LIGHTGBM模型对A股全市场进行滚动训练测试。结果显示,多因子融合模型明显优于单因子模型,Model4综合因子年化收益率达35.57%,夏普率1.72,最大回撤25.9%。不同频率下,低频模型中基本面因子的边际重要性提升,行业因子权重最大。模型表现稳定且适应多个调仓周期,对因子融合的量化策略具有重要指导意义
本报告融合4类因子构建量化选股模型,包括财务基本面OPENFE因子、日频量价Alpha158因子、分钟频量价降频因子MAlpha65以及高频降频因子L2Alpha。采用统一LGBM模型进行因子融合,解决传统模型融合的低效和高数据需求问题 .
OPENFE基本面因子由枚举法生成约70万个初始特征,最终筛选保留60个表现最佳的结构化财务指标,覆盖成长、价值、盈利、杠杆四类因子;Alpha158因子基于微软QLIB框架,囊括动量、波动率、流动性等板块的158个日频技术指标;MAlpha65因子为中信建投结合QLIB构造的分钟频降频因子,包含65个日频转换量价因子;L2Alpha因子包含4个高频交易行为低频化指标 .
单因子IC及ICIR测试显示,分钟频的MAlpha65因子IC中位数和最大值均领先,Alpha158及OPENFE因子中位数相近,高频L2Alpha因子样本少表现不显著 .
单因子模型分组年化收益率排名:Alpha158最高,次为OPENFE和MAlpha65,L2Alpha表现较弱。随着多因子融合推进,模型收益显著提升。四因子融合Model4优于只用OPENFE的Model1,年化收益率提升约10%,空头收益率降低超10% .
Model4策略回测净值曲线显示,2020年至2023年2月期间费前年化收益率35.57%,费后(考虑0.3%交易成本)约31%,夏普率1.72,最大回撤25.9%,换手率14.9,表现稳健 .
| 策略统计指标 | 数值 |
|---|---|
| 年化收益率 | 35.57% |
| 年化波动率 | 19.84% |
| 夏普比率 | 1.72 |
| Alpha | 32.01% |
| 最大回撤 | -25.90% |
| 换手率 | 14.9 |
因子重要性排序显示,行业分类因子(sector_ticker)最重要,分钟频因子malpha54mean10、malpha48mean10等在前列,基本面因子openfe37排名较低。不同频率下因子权重自适应调整,频率越低基本面因子边际权重上升,最低频率下基本面因子表现明显改善 .
多频率测试发现,5天、10天、20天、30天不同周期均适用Model4框架,策略多头费前年化收益率随调仓周期变长略有下降,但综合交易成本,整体策略表现差别不大,模型表现稳定且适应性强 .
结论:利用基于不同频率和不同类型因子的融合模型,能有效提升量化选股的收益和稳定性。行业因素权重最大,分钟数据因子贡献突出,基本面因子重要性随频率降低而上升。模型训练采用统一参数,未来可提升超参数搜索优化效果。风险提醒因子可能因风格切换失效,历史表现不代表未来,模型运行存在一定随机性和计算资源依赖 .
本文尝试融合四类因子:基本面因子OPENFE、日频量价因子Alpha158、分钟频降频因子MAlpha65以及高频降频因子L2Alpha,统一建模预测未来收益。采用基于GBDT的LightGBM作为模型,因子维度的拓展显著提升模型收益,但边际贡献递减。不同频率下,因子的重要性排序有所不同,频率越低,基本面因子边际重要性增强。
报告定位于量化多因子模型框架内融合基础。此前“逐鹿”系列报告已在不同频率和模型方法(DeepLOB、Double Ensemble、Temporal Fusion Transformer、LightGBM)上分别挖掘了高频订单簿数据、分钟频和日频量价数据及基本面因子。报告指出,传统多因子融合存在两种方式:
该报告采用因子融合策略,便于捕捉多维度因子信息,同时提高模型效率。–3]
报告详细介绍四大因子类型:
在模型构建与表现测试中,报告采用LightGBM为核心模型,模型使用滚动训练,测试时间段为2020年1月1日至2023年2月28日,滚动周期为10日。训练集包含200期因子数据,预测未来一期收益率,涉及全A股,剔除次新股、ST股、涨跌停及流动性不足(成交额<500万或换手率<0.02%)样本。
为了提升高频因子预测能力,MAlpha65和L2Alpha因子使用了10日均值及10日标准差进行时序处理,最终总因子数达到356个。
模型融合后表现大幅提升,其中Model4多头组年化收益较Model1提升约10%,空头组亏损绝对值下降超过10%。费前年化收益35.57%,考虑3‰交易成本后预估费后收益31%。最大回撤-25.9%,换手率14.9次/年,夏普比率为1.72,整体表现稳健–12]。
报告明确指出因子融合相较单一因子能有效提升模型表现。行业分类因子最为重要,分钟频数据贡献大,基本面因子总体权重要较低,但在低频率下其相对重要性提升。报告亦指出模型超参数未优化,未来可借助AutoML工具提升模型表现。此成果表明因子融合和多频次信息的综合利用在量化模型中具备显著价值。
主要风险包括历史数据统计误差导致模型未来失效,因子风格切换风险,模型初始化随机性,样本区间选择对结果影响,超参数设定及计算资源限制导致的欠拟合风险。报告说明模型基于历史表现,不构成投资建议或保证未来效果,15]。
本报告属于金融工程量化策略研究范畴,焦点在因子构建与机器学习模型性能提升,未涉及传统意义上的公司估值。不过,报告中详细说明了LightGBM模型的训练流程、因子权重解释和重要性排序,体现模型的透明度和可解释性,为因子投资策略的报价和优化提供有力工具。模型调参未进行,目前预估通过AutoML工具可进一步提升。
报告整体逻辑严谨,结构清晰,但以下方面值得关注:
整体报告基于多重因子融合与机器学习方法,展现了金融工程在多频率量价因子与基本面因子结合的前沿探索,结论稳健且对未来技术进步开放态度明确。
本报告围绕基本面因子OPENFE与多维量价因子Alpha158(日频)、MAlpha65(分钟频)与L2Alpha(高频)融合进行深入研究,采用统一的LightGBM模型进行训练与预测。
从图表解析中可见,模型融合架构(图3)较模型融合(图2)复杂度更低,效率更高,IC及ICIR指标表明精选因子预测有效且稳定。分组年化收益图(图6、图7)直观显示多因子融合的收益增厚效应。
综上,报告系统且技术领先地展示了基本面因子与多频量价因子融合的金融工程应用价值,预示了量化投资中因子融合策略未来的发展方向和优化空间。
注: 本分析严格依据报告原文内容,所有观点均基于报告本身数据与论述,且结合图表详细解读,坚守客观专业中立立场。
逐鹿Alpha专题报告14:基本面因子与量价因子融合模型.pdf