金工深度研究：高频特征参数化，分钟级可解释因子挖掘框架.pdf

金工深度研究：高频特征参数化，分钟级可解释因子挖掘框架。

人工智能 103：因子挖掘通用公式拓展至分钟级信号

本研究将参数化因子挖掘框架从基本面维度拓展至高频量价维度，聚焦分钟 级交易数据，构建了一套可解释性强、逻辑清晰的分钟级因子万能公式。延 续前期报告《以空间换时间——多目标基本面选股因子挖掘框架》的参数化 思路，我们设计了四步因子计算流程与万能公式因子格式，使因子表达式具 备高度模块化与可解释性。在因子挖掘环节，我们采用 NSGA-III 多目标遗 传算法，并创新性地引入动态短板惩罚机制，有效克服高维目标空间中的“维 数灾难”问题。实证表明，将挖掘出的分钟级信号作为额外特征输入深度学 习模型后，在各宽基指数增强场景下均取得显著提升，在 2023-01-03 至 2026-02-27 回测区间内，1000 增强相比经典深度学习模型，年化超额收益 提升 2.9pct，Calmar 比率提升 0.66。

可解释性通用公式：固定范式、四步流程

分钟级因子生成需经历高度模块化的四步流程。第一步“输入与切片”锁定 目标研究时段，以窗口中心 slice 为基准向左右各延伸 0.5 个窗口长度 window，明确计算所需的分钟级数据范围。第二步“时序掩码”以指定量 价字段 mask_field 为参考基准，根据预设的截断方向与阈值 mask_rule 生 成掩码，对样本进行二次筛选。第三步“算子降维”通过单变量算子或双变 量算子将分钟级时序数据降频为日频因子。第四步“因子后处理”执行中位 数去极值、行业市值中性化与截面 Z-Score 标准化。所有因子统一格式为一 行拥有十项参数的通用公式，确保表达式具备一致性与可读性。

多目标排序改进：五目标 NSGA-III 与短板惩罚改进

传统遗传规划往往陷入单目标最优导致的因子同质化困境。本研究构建五目 标因子评价体系，涵盖|IC|、IC 胜率、多头绝对收益、多头夏普比率与多头 胜率，全面刻画因子的预测能力与实盘表现。针对高维目标空间下 NSGA-II 面临的"维数灾难"问题，我们将排序算法升级为 NSGA-III，通过超平面参考 点与关联操作引导种群在多维空间中均匀分布。进一步，我们在非支配排序 与参考点构造之间引入动态短板惩罚机制，有效清除畸形种群，优选“德智 体美劳”全面发展的优质因子。

代表性因子展示：自相关、回归截距与空间欧氏距离

通过对模型挖掘出的有效因子进行系统性复盘，我们发现成交笔数自相关特 征、单笔成交回归截距与量价空间欧氏距离三类因子表现持续突出。成交笔 数自相关因子基于分钟级成交笔数及其滞后序列，通过斜率、相关系数等方 式计算，分钟成交笔数原有的自相关结构被打破往往意味着主力资金开始关 注并主动介入标的。单笔成交回归截距因子以单笔平均成交金额对分钟成交 量做线性回归，剥离个股随大盘同步放量、缩量带来的系统性波动影响，提 纯出标的自身内生、真实的交易规模信号。量价空间欧氏距离因子敏锐捕捉 成交笔数与成交金额之间流动性结构断裂的信息，在常态交易环境下两者应 呈现高度正相关性，当产生巨大欧氏距离时意味着微观结构出现极端背离。