基于筹码分层结构的端到端 AI 因子研究

摘要： 本报告提出了一种基于筹码分层结构的端到端 AI 量化因子构建方法，通过对筹码龄和投资者类型进行分层建模，挖掘非线性 Alpha 信号，并在中证 1000 等指数增强组合中验证了其有效性。

核心观点：

1. 筹码分层结构蕴含强 Alpha 信息：研究发现筹码分层结构中存在显著的非线性信息，其中筹码龄分层因子表现最优，回测区间内单因子多头组年化超额达 32.5%。
2. 能显著提升指增组合业绩：将筹码结构因子与基准 AI 因子合成后，构建的中证 1000 指数增强组合年化超额收益由 19.0% 提升至 21.2%，信息比率由 3.29 提升至 3.53。

论据支撑：

1. 模型架构：采用 CNN+GRU 结构，利用 CNN 提取单日筹码分布的价格形态特征，利用 GRU 刻画筹码结构在时间维度上的动态演化。
2. 对比与消融实验：实验证明端到端建模效果优于人工构造的静态分布和动态流动特征；消融实验显示剥离筹码龄分层信息或弱化价格分布形态后，因子表现均明显下降。
3. 泛化能力：该因子在沪深 300、中证 500 和中证 1000 指数增强组合上均能改善年化超额收益。

局限性/风险：

1. 规律失效风险：AI 挖掘的历史规律在未来可能失效，且深度学习模型受随机数影响较大。
2. 回测假设偏差：回测假定以 VWAP 价格成交，未充分考虑实际交易中的影响因素。