本报告基于OpenFE框架,提出了先扩张后缩减的高频因子自动化挖掘方法,结合机器学习模型训练提升选股效果。通过Mask、基础特征和聚合算子构建备选因子,利用连续二分法和FeatureBoost大幅提升计算效率。测试显示,使用OpenFE因子输入LGBM模型后,IC均值提升至6.42%,多头年化超额收益7.87%;与Alpha158和GJQuant因子合成后,IC达8.76%,年化超额19.34%。最终构建的中证1000选股策略,年化超额收益率13.68%,超额最大回撤仅4.38%,信息比率1.98,表现稳定优异,为高频因子挖掘与应用提供了有效路径
报告标题: 基于OpenFE框架的机器学习Level2高频特征挖掘方法
分析师及机构: 金融工程组分析师高智威(执业证号 S1130522110003)、分析师王小康(执业证号 S1130523110004),国金证券研究所
联系邮箱: wangxiaokang@gjzq.com.cn
发布时间区间: 报告内容涉及2016年-2024年数据,最新测试至2024年10月末
主题范围: 高频因子挖掘、机器学习模型、量化选股策略构建,股池主要为中证1000。
本报告围绕“基于OpenFE框架的Level2高频特征挖掘方法”展开,核心目标是在量化选股领域,特别是A股市场中利用高频数据(Level2及更细微层次数据)实现因子的自动化批量构建和筛选,以突破传统日频量价因子模型因数据频率和构造手段限制导致的性能瓶颈。报告不仅介绍了OpenFE机器学习特征自动生成及筛选的扩张-缩减两阶段流程,还结合模型训练(主要为LightGBM)展示了基于此框架因子的优异表现,尤其在中证1000指数成分股中获得显著的超额收益表现。最终,报告给出基于所挖掘因子的选股策略回测结果及风险提示。, 3]
关键内容与核心观点
特征挖掘是机器学习领域中的基础问题,OpenFE框架通过“扩张-缩减”策略实现大量候选高频因子的生成与筛选。扩张阶段相当于将原始基础特征通过各种算子(加、减、乘、除、最小/最大值等)进行组合,产出海量衍生特征;缩减阶段则采用“连续二分法”和“FeatureBoost”两种方法,快速筛选出最优特征集合。
该流程避免了传统遗传规划中“一阶特征先筛选再生成高阶特征”可能导致优质高阶因子遗漏的问题,且运算过程中利用GPU加速tensor计算,极大提升了高频因子的效率和规模化处理能力。
技术细节
连续二分法(Successive Halving)通过分批次、逐层次扩大样本规模同时降低候选特征数目,高效地筛选因子。FeatureBoost创新点在于不将全部特征同时喂给模型,而是针对模型残差(baseline模型训练结果的损失)来验证新特征的贡献,有效避免计算资源浪费。
该框架在运算兼顾了全面覆盖和计算可行性,有针对性地适用于交易高频因子。
图表与模型解读
图表1展示OpenFE框架概览流程,包含基本的特征输入、算子扩张、候选特征集合和评价模型组成。伪代码部分(图表2-4)详述核心算法逻辑,强调扩张及缩减两大步骤的结构。, 4, 5]
因子组成形式
高频因子普遍由“三要素”构成:
1)Mask:对高频数据进行截取的规则,如高价区间、尾盘阶段、低成交量区间等;
2)基础特征:如高频撮合快照数据中的价格、成交量、订单簿委托价和量等原始字段;
3)聚合算子:将高频数据经过某种统计方法聚合成低频(日频甚至周频)因子,如求和、平均、标准差、阶矩、百分位变化等。
案例解析
示范因子“遗憾规避因子”,即计算某股票当天逐笔成交中,成交价高于收盘价的买成交量占总成交量比例,结合多个Mask(时间段、成交量段)进一步细分,体现交易行为的精细刻画。
用数学表达式准确展示出因子构造逻辑,展示规范的因子设计理念与数据截取手段。
计算顺序限制
因为先Mask再聚合模式有效限制了高阶算子的构建流程,未考虑聚合前对多个基础特征组合运算再聚合的情况(例如订单簿不平衡因子)。此处报告有明确说明当前版本设计的限制和后续扩展可能, 7]
流程设计
针对海量高频因子的计算,报告创新引入tensor+GPU加速手段,结合torch框架,显著提升因子批量运算效率(相较传统pandas能达到数百倍速度),解决了大规模高频数据的计算瓶颈。
样本采样调整
采样维度仅针对时间切片(保证同一时刻所有股票完整入样),解决了原OpenFE框架在时序因子和IC计算中可能出现因随机散点采样导致无效样本分布问题。
特征检验指标
主要通过信息系数(IC)评估因子有效性,IC为因子值与未来收益的相关性。
报告做出了权衡,以IC快速评估绝大部分特征,同时为避免过度剔除成功保留统计显著性(T统计>3)的因子。
检验流程图
图表9展示从随机采样数据转化到GPU tensor运算,再分别用LGBM(CPU)和IC计算(GPU)验证特征方案流程。, 8]
日频因子表现
从1万随机样本因子中约350个获得T>3统计显著,平均IC绝对值为1.13%,整体收益表现中等,部分优质因子能够实现多头超额收益。
图表12-13展示部分日频因子的多空净值和多头超额净值曲线,显示整体净值稳步增长,表明因子具备较好的alpha生成能力。
周频因子表现
对日频因子通过简单算子降频至周频,并进行周调仓回测,整体IC及收益水平均较日频有所提升。
图表16-17显示周频因子的多空净值及多头超额净值稳步攀升,捕获更长历史演变信息提升策略表现。, 9]
作为LGBM模型特征输入的表现
300余个符合检验的高频因子输入LGBM模型后,2022年以来测试集表现整体优异,IC均值6.42%,多头年化超额收益7.87%,最大回撤5.96%,多空年化收益率38.45%。
当与前期已有Alpha158和GJQuant数据集因子空间合并训练,合成因子IC升至8.76%,多头年化超额19.34%,最大回撤大幅下降至3.86%,多空年化收益率高达67.08%。
图表19-21展示了各模型因子组合的多空净值及超额净值曲线,明显看出合成因子组合提升策略的稳定性和收益率。
这证明OpenFE框架发掘的高频因子能够显著补充传统日频量价因子,提升模型表现。, 11]
单独OpenFE-LGBM策略表现
选取top10%股票,周频调仓,考虑双边千分之三手续费影响,策略在2022年至2024年10月实现8.62%年化超额收益,信息比率0.77,最大超额回撤11.95%。
说明高频因子经过模型训练,结合适当交易频率,在实际市场环境下依然具备稳定alpha能力。
结合Alpha158/GJQuant因子的合成策略表现
同样条件下,合成策略年化超额收益进一步提升至13.68%,最大回撤显著降至4.38%,信息比率飙升至1.98,突出优于单一因子策略表现。
表明高频因子与传统量价因子强互补,叠加收益明显提升。
图表23-26详尽展示策略净值曲线及回测指标,回测时间涵盖多个波动周期,结果具备一定稳健性。, 13]
本报告核心不涉及传统财务估值方法如DCF或市盈率倍数法,而是围绕alpha因子挖掘和量化策略表现,在机器学习特征工程框架内对因子质量进行有效性评估,属于量化投资策略研究范畴。重点在因子有效性评价指标(IC、统计显著性、年化超额收益率、最大回撤、信息比率)及其与模型训练后整体策略组合的关系,无传统估值分析章节。
创新点专业评价:OpenFE框架通过扩张-缩减策略解决高频大样本因子挖掘的计算和筛选瓶颈方案,结合GPU加速和特征重要性指标兼顾了效率与准确性,是高频因子研究中的重要方法学进展。
分析局限性:
内部一致性:报告整体逻辑严谨,先介绍方法架构,再系统阐述实现方案、检验方式和回测结果,最后总结优势与风险,章节衔接自然。少部分技术细节如高阶交叉特征生成局限有清晰说明,反映报告编制团队对方案理解的深入和客观。
国金证券金融工程组通过借鉴OpenFE框架,完整实现了一套自动化、高效的Level2高频因子批量化挖掘方案。该方法突破传统因子构造集中人工设计与计算瓶颈,结合扩张-缩减双阶段算法,以及GPU加速技术,实现超海量高频数据中掘金潜在alpha特征:
综上,这份报告不仅提供了高频因子挖掘领域的先进技术手段,也通过实际策略回测印证了该方法在量化交易中的应用价值与超额收益可能性,具有较强的理论创新和实操参考价值。
图表1:OpenFE框架概览
图表9:因子计算及检验方案
图表12:部分日频因子多空净值曲线走势
图表13:部分日频因子多头超额净值曲线走势
图表16:部分周频因子多空净值曲线走势
图表17:部分周频因子多头超额净值曲线走势
图表19:LGBM模型因子多空净值曲线
图表20:LGBM模型因子多头超额净值曲线
图表23:OpenFE-LGBM指数选股策略净值曲线
图表25:OpenFEAlpha158GJQuant-LGBM指数选股策略净值曲线
以上是对《基于OpenFE框架的机器学习Level2高频特征挖掘方法》一报告的详细全面分析,剖析了报告的技术路线、关键数据、方法逻辑、实证结果及风险考量。报告从方法论到实战效果均具备行业前沿水平,值得量化研究和策略开发人员重点关注和借鉴。 ,1,2,3,4,5,6,7,8,9,10,11,12,13,14]
【国金证券】Alpha掘金系列之十五:基于OpenFE框架的机器学习Level2高频特征挖掘方法【洞见研报DJyanbao.com】.pdf