基于籌碼分層結構的端到端AI因子研究

籌碼分布與分層結構構建

籌碼分布是對股票歷史成交成本結構的刻畫，通常基于成交價格、成交量與換手率等信息，估計當前流通籌碼在不同價格區間上的分布狀態。與傳統量價指標更多關注價格和成交的邊際變化不同，籌碼分布側重描述存量持倉的成本位置與結構特征，能夠反映市場參與者整體處于浮盈還是浮虧狀態，以及不同價格區間潛在的支撐、壓力和交易阻力。從投資者行為角度看，盈利籌碼可能帶來止盈拋壓，虧損籌碼可能形成惜售或解套壓力，籌碼結構因此成為理解短期供需變化、交易摩擦和市場博弈狀態的重要特征之一。

為細致地刻畫籌碼結構中蘊含的異質性信息，研究從兩種視角拆解籌碼分布的分層結構：其一為按照籌碼齡進行分層，將不同歷史時期形成并留存至今的籌碼加以區分，以刻畫新近籌碼與長期沉淀籌碼在成本結構和交易穩定性上的差異；其二為按照投資者類型分層，通過成交訂單金額大小識別散戶、中戶、大戶和機構投資者對應的籌碼分布，從資金屬性角度描述不同類型投資者的持倉成本和交易行為差異。

實驗方法：基于CNN+GRU的端到端建模

研究嘗試利用AI模型對籌碼分布的精細結構進行端到端建模。在特征端，基于VWAP中心三角分布換手遞推法估算籌碼整體分布，并進一步根據籌碼留存時間、籌碼交易訂單大小拆解籌碼分布中的籌碼齡分層和投資者類型分層結構特征。在模型端，將籌碼分布映射至相對當前股價的價格軸，利用CNN+GRU模型進行端到端建模，其中CNN用于提取單日籌碼分布的價格形態特征，GRU用于刻畫籌碼結構在時間維度上的動態變化。

輸入特征預處理包括價格區間映射、分層歸一化以及壓縮分布形狀。價格區間映射旨在消除個股絕對價格水平差異，保留每日籌碼的相對成本結構；分層歸一化保留不同通道之間的相對籌碼質量；壓縮分布形狀則通過取平方根壓縮局部極端籌碼峰的影響，使模型更加關注籌碼分布的整體形態及跨通道結構差異。

實驗結果：端到端因子表現優于人工構造特征

實驗結果顯示，籌碼齡分層端到端因子表現優于投資者類型分層因子，前者多頭組收益高于日K線、周K線等傳統AI量價模型，且相關性較低。對比籌碼齡分層端到端因子與人工構造籌碼特征因子，前者IC指標及多頭超額均更優。消融實驗結果顯示，剝離籌碼齡分層信息或弱化價格分布形態后，因子表現均明顯下降，表明籌碼分層結構特征與價格形態特征均是端到端建模的有效信息來源。

進一步對各因子相關性進行測試，結果表明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，端到端建模相比人工構造特征提取仍有一定增量信息。同時，籌碼結構系列因子與其他類型因子相關性平均在50%左右，相關性較低，或可起到有效的互補作用。

指增組合測試：籌碼結構合成因子整體優于基準AI因子

將籌碼結構因子加入基準AI合成因子，并構建指數增強組合進行測試。結果表明，在回測區間內，加入籌碼結構的合成因子RankIC約14.0%，相比基準因子多頭超額提升約2.1 pct。同回測區間內，滬深300、中證500和中證1000指數增強組合的年化超額收益均有所改善，其中中證1000組合年化超額由19.0%提升至21.2%，信息比由3.29提升至3.53，超額最大回撤由8.5%下降至7.7%。

進一步對比中證1000指增組合中兩組因子的分區間超額收益，可以發現加入籌碼合成因子在過去多個完整年度內，多數年度超額收益均高于基準AI合成因子，提升較為穩定。這表明籌碼結構因子能夠有效增強基準AI因子的選股能力，特別是在中小盤指數增強策略中表現更為顯著。