模型改进 - 提出了基于知识蒸馏的 alpha 因子挖掘模型，通过构建基于小单和盘口的因子对 l2 数据集进行信息补充，增加日内信息反映，提升模型效果[3] - 通过知识蒸馏方法集成树模型和神经网络，加入风险因子生成部分，改进了量价框架模型[17] - 新模型 KD-Ensemble 模型将教师模型和学生模型的输入均为相同的 alpha 因子，通过特定训练和推理过程进行加权[128] 因子表现 - 小单和盘口因子在各股票池上表现较好，小单早盘占比因子在大盘股上表现更强，可作为短期风险的风险因子[4] - 合成因子在中证全指上表现出色，年化超额收益率可达51.73%，各宽基指数股票池新模型生成因子选股能力明显提升[5] - 风险中性模型表现突出，多头组合年化超额收益率可达47.96%，稳定性较强[5] 组合表现 - KD-Ensemble模型下的指数增强组合在沪深300指数上表现良好，不同约束条件下的超额收益率分别为18.76%、19.87%和16.00%[158] - 中证500指增Barra风控组合在不同成分股约束条件下的年化超额收益率分别为22.81%、19.53%、18.26%、26.17%、24.02%、19.43%、28.32%、22.56%、20.23%[168] - 中证1000指增Barra风控组合在不同成分股约束条件下的年化超额收益率分别为50.56%、46.92%、42.58%、70.32%、68.35%、59.30%、88.74%、79.91%、65.85%[173]