筹码分层结构因子与传统量价因子及人工构造特征相比有何优势？

筹码龄分层端到端因子在多项指标上表现出显著优势。首先，在因子回测结果中，筹码龄分层端到端因子的RankIC均值达到12.3%，多头组年化超额收益为32.5%，信息比率为4.21，均优于投资者类型分层端到端因子，且与日K线、周K线等传统AI量价模型相当或更优。相比之下，投资者类型分层因子表现相对逊色，可能源于日度资金流数据颗粒度较粗及历史数据追溯区间较短。

其次，与人工构造特征相比，筹码龄分层端到端因子在IC、RankIC和多头超额收益上均优于静态筹码分布特征和动态筹码流动特征。这表明端到端模型能够从完整筹码分布结构中提取人工指标难以完全刻画的增量信息。尽管筹码龄分层结构端到端因子与人工构造筹码特征因子平均相关性在80%左右，但端到端建模仍提供了额外的信息增量。

在相关性方面，筹码结构系列因子与其他类型因子（如分钟频特征、Alpha158、基本面因子等）的平均相关性在50%左右，相关性较低。这种低相关性意味着筹码结构因子与其他因子之间具有较好的互补性，能够有效丰富因子体系，提升组合的分散化效果。消融实验进一步验证了筹码龄分层信息和价格分布形态特征的有效性，剥离任一要素均会导致因子表现明显下降，证明了当前模型设计的合理性。