金工深度研究：基于籌碼分層結構的端到端AI因子.pdf

本文研究了基于籌碼分層結構的端到端AI因子構建方法及其在指數增強組合中的應用。籌碼分布反映了市場參與者在不同成本區間上的存量持倉結構，是刻畫投資者盈虧狀態、交易摩擦和行為博弈的重要量價特征。研究從籌碼齡和投資者類型兩個維度構建籌碼分層結構，并利用CNN+GRU模型進行端到端建模。

實驗結果顯示，籌碼分層結構中蘊含較強的非線性Alpha信息。其中，籌碼齡分層端到端因子表現最優，在2016-12-30至2026-05-29的回測區間內，單因子RankIC達12.3%，多頭組年化超額收益為32.5%，信息比率為4.21。該因子表現優于投資者類型分層因子，且與日K線、周K線等傳統AI量價模型相比具有較低的相關性和一定的增量信息。消融實驗表明，剝離籌碼齡分層信息或弱化價格分布形態均會導致因子表現明顯下降，驗證了模型設計的有效性。

在因子合成及指增組合測試中，將籌碼結構因子加入基準AI合成因子，構建的指數增強組合表現優于基準。在相同回測區間內，加入籌碼結構因子后RankIC約14.0%，相比基準因子多頭超額提升約2.1 pct。具體而言，中證1000指數增強組合的年化超額收益由19.0%提升至21.2%，信息比率由3.29提升至3.53，超額最大回撤由8.5%下降至7.7%。滬深300和中證500指數增強組合的年化超額收益也有所改善。研究指出，未來可通過日內Level2數據進行更精細的建模，并嘗試基于Transformer等模型結構進行端到端建模。