Alpha掘金系列之十五：基于OpenFE框架的机器学习Level2高频特征挖掘方法
创建于 更新于
摘要
本报告基于OpenFE框架，提出了高频因子挖掘的批量化自动化方法，通过扩张-缩减策略高效生成和筛选高频因子，结合GPU加速计算和连续二分法特征筛选，大幅提升挖掘效率和效果。测试显示所得高频因子在中证1000选股池中表现优良，周度IC均值达2.57%，输入LGBM模型后IC提升至6.42%，多头年化超额收益率7.87%。与Alpha158和GJQuant因子合成后，年化超额收益率升至19.34%，信息比率达到2.42，构建的选股策略实现13.68%的稳定年化超额收益，超额最大回撤仅4.38%。该方法显著推动了高频选股因子批量输出的可行性与实用性[page::0][page::1][page::6][page::7][page::9][page::10].
