神经网络因子挖掘（六）—— 筹码分布因子

摘要： 本报告探讨了利用深度学习模型从 Level1 高频快照数据中挖掘筹码分布因子的方法。研究发现，通过构造具有逻辑解释性的 75 个筹码衍生特征并结合 TCN 模型，能显著提升因子的预测能力（RankIC 提升至 9.05%）和选股超额收益，尤其在小市值指数中表现优异。

核心观点：

1. 特征工程优于原始矩阵学习：直接使用 Transformer 学习原始筹码矩阵效果有限，而构建基于统计量（均值、标准差、偏度、峰度、熵）及分域（盈利/亏损）逻辑的衍生特征，可大幅提升 Alpha 提取效率。
2. 多因子融合增强选股能力：将筹码分布因子与 K 线、开盘量价及资金流因子合成，可构建出在中证全指内具有强超额（平均 32.13%）的选股框架。

论据支撑：

1. 因子表现提升：采用 TCN 模型学习 75 个筹码衍生特征后，全市场多头 10% 组合超额从 16.62% 提升至 21.76%，在沪深 300 内的超额收益由 6.78% 显著提升至 17.42%。
2. 组合回测验证：构建的指数增强组合表现稳健，其中国证 2000 增强组合自 2019 年以来年化超额达 28.42%，夏普比率提升至 1.21。

局限性/风险：

1. 模型风险：深度学习训练过程具有随机性，且基于历史数据的量价规律存在失效风险。
2. 风格敞口：原始矩阵因子在小市值、低波动和低流动性风格上有较高暴露，需通过特征工程优化。