高波背景下的信息挖掘与风险优化——国海金工机器学习系列专题 2

摘要： 本报告为国海证券金工机器学习系列专题 2，旨在通过扩展信息源和精细化预测目标，解决传统深度学习因子在 2024 年 9 月后高波动环境下的失效问题，构建一套鲁棒的指数增强量化策略。

核心观点：

1. 多源特征提升预测力：在日频特征基础上引入分钟频量价及开盘集合竞价数据，构建 5 大特征集，有效挖掘增量 Alpha。
2. 精细化目标剥离风险：引入市值行业中性化、走势相似性及 Barra 风格相似性相对排名 3 类预测目标，降低对线性风格的依赖，聚焦纯净 Alpha。
3. 差异化风控方案：针对不同市值指数采取差异化策略。沪深 300 侧重于原始合成因子以最大化超额；中证 500 和中证 1000 叠加集合竞价剔除与降波改造，通过“以小幅绝对超额换稳定性”提升信息比率。

论据支撑：

1. 模型架构：采用 PatchGRU 架构平衡显存占用与长时序建模能力，通过多周期、多目标的组合训练生成 180 个单因子。
2. 因子表现：最终合成因子全样本 RankIC 为 0.168，ICIR 为 1.622，在全市值谱系宽基指数中表现出均衡的选股能力，且风格暴露不再过分依赖小市值与低 Beta。
3. 策略回测：沪深 300 指增年化超额 9.56%，中证 500 为 10.30%，中证 1000 为 14.92%。尤其在 2025 年，中证 500 和 1000 的回撤控制能力突出，验证了降波改造的有效性。

局限性/风险：

1. 模型与风格风险：量化模型可能因市场结构剧变而失效；高波、高流动性等极端风格切换可能导致深度学习策略出现阶段性回撤。
2. 技术局限：目前尚未引入 GNN 等图神经网络构建个股关联信息，且集合竞价因子的多头信号挖掘空间仍需研究。