量化因子与构建方式 - 深度学习高频因子 - 因子构建思路：使用"原始数据-分钟级基础指标-目标频率衍生指标"的方式生成高频特征。基于原始数据生成一系列分钟级的基础指标，这类指标旨在捕捉原始数据中的基本信息。得到基础指标序列后，通过不断变换输入的基础指标序列生成特征[1][2][11] - 因子的公式： - 下行大买单金额占比： $\mp{\hat{4}}\tau\,{\hat{b}}\,\psi(a,b)={\frac{\sum_{b<0}a}{\sum a}}$ - 下行小买单单均金额占比： \text{公式中} \, \{a} \, \text{代表} \, a \, \text{的数量} - 文章对因子的评价：在后续的样本外跟踪中，因子展现出了较为稳定的选股能力[8][9][12] 因子的回测效果 - 周均IC：176特征集合为0.072，偏度调整后为0.073，偏度调整和去极值后为0.073[13][19][26] - 年化ICIR：176特征集合为8.884，偏度调整后为9.158，偏度调整和去极值后为9.265[13][19][26] - 月度胜率：176特征集合为90%，偏度调整后为90%，偏度调整和去极值后为91%[13][19][26] - 年化多头超额收益：176特征集合为28.5%，偏度调整后为31.1%，偏度调整和去极值后为31.4%[13][19][26] - 年化空头超额收益：176特征集合为-38.8%，偏度调整后为-38.6%，偏度调整和去极值后为-38.7%[13][19][26] - 年化多空收益：176特征集合为67.3%，偏度调整后为69.7%，偏度调整和去极值后为70.1%[13][19][26]