“逐鹿”Alpha专题报告(二十八)——分钟因子模型-中信建投

本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。同时请务必阅读正文之后的免责条款和声明。 证券研究报告·金融工程深度 “逐鹿”Alpha 专题报告（二十八） ——分钟因子模型 核心观点 本文通过对 A 股市场日内微观结构的分析，我们成功构建了一个基于分钟因子模型的隔夜交易策略。策略采用集成学习，融合了LightGBM 在截面数据上的优势和我们自研的 pegformer 模型在时间序列上的强大捕捉能力。在 2022 年至 2025 年 7 月的样本外测试中，该策略表现出卓越的盈利能力和稳健性。预测因子 IC均值达到 0.087，信息比率高达 9.136。在千 2 的交易成本假设下，策略能实现超过 64.15%的年化超额收益和 3.53 的夏普比率。 主要内容 简介 本文在分钟频率上构建预测因子，并结合股票的日内交易模式与微观结构特征，利用机器学习算法训练端到端的分钟频预测模型。 日内股价形态特征 A 股市场呈现一个显著的日内特征：上下午交易时段的趋势存在明显差异。上午时段，股价整体呈现稳步上升趋势，尤其在开盘后半小时内拉升最为迅猛。下午时段，股价则转为震荡下行，尾盘出现拉升。 因子构建 本文使用 Alpha158 与 Factor Zoo 分钟频因子集。根据特征重要性排序，筛选出排名前 20 的因子作为模型的最终输入。 模型 为了充分利用数据特性，在模型架构上，我们采用集成策略。融合了两种互补的模型：一是经典的 LightGBM，通过滚动训练的方式使其动态适应市场变化；二是 pegformer，通过增量学习提高训练效率。将两个模型的预测信号进行集成，生成最终的交易决策。 结果 在样本外测试中，预测因子 IC 均值达到 0.087，信息比率高达9.136。在千 2 的交易成本假设下，策略能实现超过 64.15%的年化超额收益和 3.53 的夏普比率，即使在较高的交易成本压力测试下，依然能取得显著的超额收益。 金融工程研究 姚紫薇 yaoziwei@csc.com.cn SAC 编号: S1440524040001 王超 wangchaodcq@csc.com.cn SAC 编号:S1440522120002 发布日期： 2025 年 09 月 05 日 市场表现 相关研究报告 -5%5%15%25%35%45%2024/8/302024/9/302024/10/312024/11/302024/12/312025/1/312025/2/282025/3/312025/4/302025/5/312025/6/302025/7/31国债指数上证指数 金 融工程研究 金融工程深度报告 请务必阅读正文之后的免责条款和声明。 目录 一、简介................................................................................................................................................ 1 二、日内股价形态特征........................................................................................................................... 1 三、因子构建......................................................................................................................................... 3 3.1 Alpha158 因子 ............................................................................................................................ 3 3.2 Factor Zoo 因子 .......................................................................................................................... 5 3.3 因子筛选 .................................................................................................................................. 7 四、模型................................................................................................................................................ 8 4.1 整体框架：集成学习 ................................................................................................................. 8 4.2 LightGBM .................................................................................................................................. 8 4.3 pegformer ................................................................................................................................... 8 4.3.1 pegformer 模型结构 .......................................................................................................... 9 4.3.2 pegformer 模型设置 .......................................................................................................... 9 4.3.3 增量学习 ................................................................