籌碼分層結構因子與傳統量價因子及人工構造特征相比有何優勢？

籌碼齡分層端到端因子在多項指標上表現出顯著優勢。首先，在因子回測結果中，籌碼齡分層端到端因子的RankIC均值達到12.3%，多頭組年化超額收益為32.5%，信息比率為4.21，均優于投資者類型分層端到端因子，且與日K線、周K線等傳統AI量價模型相當或更優。相比之下，投資者類型分層因子表現相對遜色，可能源于日度資金流數據顆粒度較粗及歷史數據追溯區間較短。

其次，與人工構造特征相比，籌碼齡分層端到端因子在IC、RankIC和多頭超額收益上均優于靜態籌碼分布特征和動態籌碼流動特征。這表明端到端模型能夠從完整籌碼分布結構中提取人工指標難以完全刻畫的增量信息。盡管籌碼齡分層結構端到端因子與人工構造籌碼特征因子平均相關性在80%左右，但端到端建模仍提供了額外的信息增量。

在相關性方面，籌碼結構系列因子與其他類型因子（如分鐘頻特征、Alpha158、基本面因子等）的平均相關性在50%左右，相關性較低。這種低相關性意味著籌碼結構因子與其他因子之間具有較好的互補性，能夠有效豐富因子體系，提升組合的分散化效果。消融實驗進一步驗證了籌碼齡分層信息和價格分布形態特征的有效性，剝離任一要素均會導致因子表現明顯下降，證明了當前模型設計的合理性。