• 本报告融合4类因子构建量化选股模型，包括财务基本面OPENFE因子、日频量价Alpha158因子、分钟频量价降频因子MAlpha65以及高频降频因子L2Alpha。采用统一LGBM模型进行因子融合，解决传统模型融合的低效和高数据需求问题 [page::0][page::2][page::3].

• OPENFE基本面因子由枚举法生成约70万个初始特征，最终筛选保留60个表现最佳的结构化财务指标，覆盖成长、价值、盈利、杠杆四类因子；Alpha158因子基于微软QLIB框架，囊括动量、波动率、流动性等板块的158个日频技术指标；MAlpha65因子为中信建投结合QLIB构造的分钟频降频因子，包含65个日频转换量价因子；L2Alpha因子包含4个高频交易行为低频化指标 [page::3][page::4][page::5][page::6][page::7][page::8].
• 单因子IC及ICIR测试显示，分钟频的MAlpha65因子IC中位数和最大值均领先，Alpha158及OPENFE因子中位数相近，高频L2Alpha因子样本少表现不显著 [page::9].

• 单因子模型分组年化收益率排名：Alpha158最高，次为OPENFE和MAlpha65，L2Alpha表现较弱。随着多因子融合推进，模型收益显著提升。四因子融合Model4优于只用OPENFE的Model1，年化收益率提升约10%，空头收益率降低超10% [page::10][page::11].

• Model4策略回测净值曲线显示，2020年至2023年2月期间费前年化收益率35.57%，费后（考虑0.3%交易成本）约31%，夏普率1.72，最大回撤25.9%，换手率14.9，表现稳健 [page::11][page::12].

| 策略统计指标 | 数值 |
|-------------|----------|
| 年化收益率 | 35.57% |
| 年化波动率 | 19.84% |
| 夏普比率 | 1.72 |
| Alpha | 32.01% |
| 最大回撤 | -25.90% |
| 换手率 | 14.9 |

• 因子重要性排序显示，行业分类因子（sector_ticker）最重要，分钟频因子malpha54mean10、malpha48mean10等在前列，基本面因子openfe37排名较低。不同频率下因子权重自适应调整，频率越低基本面因子边际权重上升，最低频率下基本面因子表现明显改善 [page::12][page::13][page::14].
• 多频率测试发现，5天、10天、20天、30天不同周期均适用Model4框架，策略多头费前年化收益率随调仓周期变长略有下降，但综合交易成本，整体策略表现差别不大，模型表现稳定且适应性强 [page::13].
• 结论：利用基于不同频率和不同类型因子的融合模型，能有效提升量化选股的收益和稳定性。行业因素权重最大，分钟数据因子贡献突出，基本面因子重要性随频率降低而上升。模型训练采用统一参数，未来可提升超参数搜索优化效果。风险提醒因子可能因风格切换失效，历史表现不代表未来，模型运行存在一定随机性和计算资源依赖 [page::0][page::15].

金融工程深度报告分析解读 —— 基本面因子与量价因子融合模型专题报告（十四）

---

一、元数据与概览

• 报告标题：《逐鹿”Alpha 专题报告（十四）—基本面因子与量价因子融合模型》

- 发布机构：中信建投证券研究所 金融工程团队

• 发布日期：2023年5月30日

- 作者：丁鲁明（中信建投证券研究所金融工程团队负责人）、王超（中信建投证券研究员）

• 主题：聚焦基本面因子（OPENFE）与不同频率的量价因子（Alpha158、MAlpha65、L2Alpha）融合构建统一预测模型以提升多因子策略的收益表现。

核心观点摘要

本文尝试融合四类因子：基本面因子OPENFE、日频量价因子Alpha158、分钟频降频因子MAlpha65以及高频降频因子L2Alpha，统一建模预测未来收益。采用基于GBDT的LightGBM作为模型，因子维度的拓展显著提升模型收益，但边际贡献递减。不同频率下，因子的重要性排序有所不同，频率越低，基本面因子边际重要性增强。[page::0][page::2]

---

二、逐节深度解读

2.1 简介

报告定位于量化多因子模型框架内融合基础。此前“逐鹿”系列报告已在不同频率和模型方法（DeepLOB、Double Ensemble、Temporal Fusion Transformer、LightGBM）上分别挖掘了高频订单簿数据、分钟频和日频量价数据及基本面因子。报告指出，传统多因子融合存在两种方式：

• 模型融合：先独立训练不同类型的基模型，之后通过stacking等方式融合基模型预测结果，优点是模型之间相对独立，缺点为训练效率低，数据需求大。

- 因子融合（本文采用）：多类型因子标准化后直接作为统一模型输入，使模型自行调节各因子权重，实现高效因子权重学习。

该报告采用因子融合策略，便于捕捉多维度因子信息，同时提高模型效率。[page::2–3]

2.2 因子介绍

报告详细介绍四大因子类型：

• OPENFE基本面因子：基于枚举法的Expand-And-Reduce框架，首先从三大财务报表数据及算子构造约70万个因子，再通过两步筛选验证，保留60个因子。涵盖成长、价值、盈利、杠杆等多维指标。示例如CSRank(3年初未分配利润qoq + 2净利润yoy) 等，核心基于财务指标组合构造的结构化因子[page::3–4]。

- Alpha158日频因子：源自微软亚洲研究院QLIB框架，涵盖基于日频量价指标的经典技术指标和枚举合成指标，如动量、波动率、流动性度量等。因子形式如KMID=（收盘价-开盘价）/开盘价等，涵盖参数多样（5、10、20、30、60等）维度[page::5–6]。

• MAlpha65分钟频因子：结合QLIB算子及分钟量价数据，精选65个有效因子。描述日内形态特征，如均值、标准差、最大值、最小值的比例及相关性指标等。例如malpha0=mean(close)/last(close)等[page::6–8]。

- L2Alpha高频因子：基于逐笔成交，划分大小单、买卖主动成交比例等4个因子，异于传统量价因子，反映更微观的高频交易行为信息。示例如主动买入成交金额占比[page::8]。

2.3 模型介绍

在模型构建与表现测试中，报告采用LightGBM为核心模型，模型使用滚动训练，测试时间段为2020年1月1日至2023年2月28日，滚动周期为10日。训练集包含200期因子数据，预测未来一期收益率，涉及全A股，剔除次新股、ST股、涨跌停及流动性不足（成交额<500万或换手率<0.02%）样本。

为了提升高频因子预测能力，MAlpha65和L2Alpha因子使用了10日均值及10日标准差进行时序处理，最终总因子数达到356个。

单因子IC与ICIR表现（图4，图5）

• MAlpha65在IC（信息系数）和ICIR（IC信息比率）中均表现最优，表明其预测相关性和稳定性最高。

- Alpha158和OPENFE基本面因子中位IC表现相仿，L2Alpha因子由于数量有限，统计意义较弱。[page::9]

单一类型因子模型分组年化收益率（图6）

• Alpha158表现最佳，紧随其后为OPENFE和MAlpha65，L2Alpha因子表现较弱。

- 显示日频技术因子较强，基本面因子反应不及量价因子即时[page::10]。

因子融合模型（Model1-4）

• Model1：OPENFE，仅基本面因子。

- Model2：OPENFE+Alpha158

• Model3：Model2+MAlpha65

- Model4：Model3+L2Alpha

模型融合后表现大幅提升，其中Model4多头组年化收益较Model1提升约10%，空头组亏损绝对值下降超过10%。费前年化收益35.57%，考虑3‰交易成本后预估费后收益31%。最大回撤-25.9%，换手率14.9次/年，夏普比率为1.72，整体表现稳健[page::11–12]。

因子重要性排序（表6）

• 行业分类因子（sectorticker）权重最高，远超其他因子，强调行业因素在因子模型中的关键作用。

- 多为分钟频量价因子（malpha54、malpha48、malpha6等）重要性较高。

• OPENFE基本面因子权重不高，但仍在前30位左右，占有一定贡献。

- 经典技术特征、成交量指标及统计特征均被纳入模型重要因子列表[page::12–14]。

不同预测频率表现（图8）

• 在5天、10天、20天、30天周期内均测试Model4。

- 高频率（5天）年化收益最高，随持有期加长收益逐渐降低，但考虑交易成本后，不同频率净收益差异不大。

• 不同频率下模型会根据因子贡献自动调节权重。

- 基本面因子（如openfe37）在低频预测中排名上升，表明低频信息更依赖基本面因素，多频结合可弥补单一频率局限性[page::13–14]。

2.4 结论

报告明确指出因子融合相较单一因子能有效提升模型表现。行业分类因子最为重要，分钟频数据贡献大，基本面因子总体权重要较低，但在低频率下其相对重要性提升。报告亦指出模型超参数未优化，未来可借助AutoML工具提升模型表现。此成果表明因子融合和多频次信息的综合利用在量化模型中具备显著价值[page::15]。

2.5 风险提示

主要风险包括历史数据统计误差导致模型未来失效，因子风格切换风险，模型初始化随机性，样本区间选择对结果影响，超参数设定及计算资源限制导致的欠拟合风险。报告说明模型基于历史表现，不构成投资建议或保证未来效果[page::0,15]。

---

三、图表深度解读

图1：中信建投逐鹿研究框架（第2页）

• 描述四层结构：数据层（财务数据、日频量价、分钟频量价、高频数据）→ 因子层（OPENFE、Alpha158/Alpha360、MAlpha、L2Alpha）→ 模型层（LGBM、Transformer、Double Ensemble、DeepLOB）→ 应用层（月频、日频、周频、高频模型应用）

- 强调不同频率数据和因子的层层衔接及多模型并存，体现多样化因子挖掘和模型训练体系的全貌。[page::2]

图2&3：模型融合与因子融合流程（第3页）

• 图2显示模型融合流程：各基模型（对应不同因子类型）训练，构造元模型进行预测。

- 图3为报告采用的因子融合方式：所有因子输入单一模型，模型层为LGBM，最终输出预测。

• 对比二者，图3方式可将多因子信息统一训练，训练效率更高，实时权重调节更直接。[page::3]

图4&5：单因子IC和ICIR分布（第9页）

• 图4展示单因子IC值（信息系数绝对值）分布盒须图，malpha65的IC值中位及最大较高，而openfe因子整体IC值较低，l2alpha因子因数量有限，表现较弱。

- 图5的ICIR分布情况显示，Alpha158和malpha65中位ICIR均较高，且Alpha158出现部分异常高值，暗示在部分因子上稳定性较好，反映其较强的预测能力。

• 结论上，这两类因子日常在收益预测上具有较好表现。[page::9]

图6：单类型模型分组年化收益率（第10页）

• 条形图按照预测分组从多头到空头分组显示年化收益率，Alpha158模型多头收益量较大，空头组亏损受控，显示出较优的分组收益稳定性。

- OPENFE和MAlpha65紧随其后，L2Alpha因子分组表现相对较弱，单一类型因子虽然有效但存在局限。[page::10]

图7：复合因子模型分组年化收益率（第11页）

• 对比四个模型（1-4），模型融合因子后，多头组收益明显增加，空头组亏损进一步压缩。

- Model4（融合所有因子）多头组年化收益达约37%，空头组亏损约-20%，显示融合的正向边际效应。

• 表明融合不同频率和类型因子，模型预测能力大幅提升。[page::11]

图8：Model4策略净值曲线（第11页）

• 策略净值稳健增长，表现优于全A指数和超额收益，策略在2020-2023期间有多次震荡但整体维持上升态势，体现策略的稳定性和良好的风险调整表现。

- 年化收益35.57%，波动率19.84%，夏普比1.72，最大回撤-25.9%，换手率合理（14.9），优异的风险收益比印证了模型的实用性。[page::11–12]

图9：不同频率年化收益率（第13页）

• 多频率模型均表现稳健，5日频最高，20日和30日频因训练数据减少导致效果略下降，但年化收益基本仍在合理区间，说明模型对不同频率均具有适应能力。

- 长持有期带来收益损失，可能因市场风险暴露增加及信号衰减。

• 模型在不同频率下均能自动调整因子权重，体现了高度的自适应性。[page::13]

---

四、估值分析

本报告属于金融工程量化策略研究范畴，焦点在因子构建与机器学习模型性能提升，未涉及传统意义上的公司估值。不过，报告中详细说明了LightGBM模型的训练流程、因子权重解释和重要性排序，体现模型的透明度和可解释性，为因子投资策略的报价和优化提供有力工具。模型调参未进行，目前预估通过AutoML工具可进一步提升。[page::15]

---

五、风险因素评估

• 历史数据的代表性风险：因模型基于历史数据，若未来风格切换或者市场结构发生变化，因子有效性可能下降。

- 模型随机性风险：模型初始化与随机种子不同会造成收益波动。

• 样本区间风险：不同历史区间对模型表现影响较大，可能存在样本外适用性不足。

- 参数设定风险：未优化超参数可能未达到最优模型效果。

• 计算资源风险：算力不足会导致模型欠拟合。

- 投资建议声明：模型存在统计误差与局限，报告不构成投资建议，不保证未来收益。[page::0,15]

---

六、批判性视角与细微差别

报告整体逻辑严谨，结构清晰，但以下方面值得关注：

1. 数据依赖与过拟合风险：虽然模型采用滚动训练，但高维因子输入及多因子融合在复杂市场环境下仍存在过拟合风险，尤其高频和分钟频因子数据量庞大，参数调整和模型稳定性未充分描述。

2. 因子覆盖广泛，但统计显著性存在差异：L2Alpha因子由于数量少且表现较弱，统计意义不足，提示某些高频因子在预测中边际贡献有限。

1. 超参数调优缺失：报告中声明未进行超参数搜索，实际应用中应强调这一优化步骤的重要性，否则模型性能边际还有提升空间。

4. 模型解释性略显薄弱：LightGBM的因子重要性表面解释了权重，但未对因子具体经济意义和交互效应做深度分析。

1. 频率转换的数据稳定性：分钟高频到日频降维处理未详述，可能存在信息丢失风险。

6. 投资环境适用性：模型基于2020-2023数据，在极端行情或结构性市场环境下表现仍不确定。

整体报告基于多重因子融合与机器学习方法，展现了金融工程在多频率量价因子与基本面因子结合的前沿探索，结论稳健且对未来技术进步开放态度明确。

---

七、结论性综合

本报告围绕基本面因子OPENFE与多维量价因子Alpha158（日频）、MAlpha65（分钟频）与L2Alpha（高频）融合进行深入研究，采用统一的LightGBM模型进行训练与预测。

• 因子融合相较于单因子模型有效提升收益表现，融合后策略年化收益率超过35%，夏普比率1.72，最大回撤合理，策略净值曲线稳健。

- 从单因子表现看，分钟频因子MAlpha65与日频量价因子Alpha158为预测核心，基本面因子贡献较小但在长周期低频预测中表现提升。

• 行业分类因子sectorticker在因子重要性中遥遥领先，体现行业轮动为主要驱动之一。

- 模型具备多频率适用性，5天到30天不同波动周期均表现良好，模型会自适应调整因子权重。

• 报告指出未来可通过自动化超参数优化（AutoML）进一步提升模型性能，并明确模型结果基于历史统计不保证未来表现，存在多种风险。

从图表解析中可见，模型融合架构（图3）较模型融合（图2）复杂度更低，效率更高，IC及ICIR指标表明精选因子预测有效且稳定。分组年化收益图（图6、图7）直观显示多因子融合的收益增厚效应。

综上，报告系统且技术领先地展示了基本面因子与多频量价因子融合的金融工程应用价值，预示了量化投资中因子融合策略未来的发展方向和优化空间。[page::0-15]

---

注： 本分析严格依据报告原文内容，所有观点均基于报告本身数据与论述，且结合图表详细解读，坚守客观专业中立立场。[page::0-17]

报告