长江证券量化高频因子挖掘方法论及维度匹配因子分享

摘要： 本次会议由长江证券金工团队分享，核心探讨量化因子挖掘的“算子化”方法论。通过将因子计算流程标准化为“数据变换”与“K线聚合”两类算子，旨在构建一套可与 AI 对接、可规范表达的知识库，并以“成交匹配波动因子”为例展示了从逻辑演绎到因子构建的完整流程。

核心观点：

1. 算子化挖掘体系：提出将因子构建分解为不改变频率的“变换算子”和改变频率的“K线聚合算子”，通过有序降频（如 1min $\rightarrow$ 10min $\rightarrow$ Day）构建规范的计算路径。
2. 与深度学习的互补：深度学习擅长处理集合信息（强统计），而算子化挖掘（演绎法）更擅长挖掘分散化的收益来源，可为深度学习提供风险控制、收益归因和因子轮动的辅助。

论据支撑：

1. 因子构建案例：通过“维度透冲”穷举，开发出“成交匹配波动因子”。该因子利用个股每笔成交额与成交量占比的回归残差，剔除成交密度影响，捕捉量能层面的低波特性。
2. 回测表现：该因子在沪深 300 样本中表现最稳健，尤其在 2014-2015 年高波动行情中有效；在小盘股（中证 1000）中表现较弱，主因是小盘股每笔成交额量纲小，噪音较大，导致刻画失真。

局限性/风险：

1. 数据依赖：算子化穷举方式高度依赖算力支持，需要大量数据验证才能提取出具有差异化信息的因子。
2. 信息损失：在剔除传统低波等量价中心化处理后，部分因子的信息强度在特定板块中会明显下降。