量價與基本面因子挖掘統一框架及實證分析

研究背景與核心邏輯

傳統量化研究中，量價因子與基本面因子往往獨立發展。量價因子憑借高頻數據優勢，能快速捕捉市場定價方向與交易時點，但易受短期情緒、風格切換及交易擁擠影響，噪聲較高；基本面因子則基于企業估值、盈利能力及現金流等中長期指標，提供穩定的價值錨，但在交易時點確認上存在滯后性。單一維度因子在風格切換或市場波動加劇時容易失效。因此，高質量選股體系需同時解決“選什么公司”與“何時買入”兩個問題，即將企業經營變化與市場定價確認統一為可經橫截面檢驗的定價模型。

本文構建了一套量價與基本面因子的聯合挖掘框架，旨在緩解單一量價因子的高噪聲問題，并彌補單一基本面因子交易敏感度不足的缺陷。該框架通過統一數據頻率、明確變量語義、受約束生成候選結構及多目標評估，挖掘兼具經濟解釋、市場確認和樣本外穩健性的優質因子。

方法論：統一挖掘框架體系

該框架由數據層、表達層、搜索層、評估層和資產化層五個層級構成，形成一條連續的研究閉環。

在數據層，解決頻率不一致問題。量價數據為日頻，基本面數據為季頻或月頻。框架以公告時點為核心，將財務指標轉換為逐日可用信息，避免未來函數，確保時間尺度統一。

在表達層，通過量綱和語義約束定義可解釋的搜索空間。量綱上，區分價格、成交量、貨幣、比率及增長量綱，禁止無意義組合（如價格與利潤直接相加）。語義上，將變量劃分為盈利能力、成長性、現金流質量、資產質量、償債能力、資本結構、營運效率、資本開支、股東回報、估值水平及量價確認等類別，明確每類變量在經濟命題中的角色，如基本面變量負責“價值錨”，量價變量負責“時點確認”。

在搜索層，采用強類型表達式樹與經濟模板生成候選結構。搜索空間被壓縮為滿足金融邏輯、數據可得性和執行約束的子集。框架包含三條路徑：量價主導、基本面主導及混合路徑。混合路徑為核心，通過模板將基本面變量作為核心指標，市場變量作為確認指標，形成如“現金流質量修復”等具體研究命題的候選空間。

在進化層，引入遺傳規劃（GP）與大型語言模型（LLM）反饋迭代。利用歷史有效因子和LLM生成的假設作為熱啟動種子，通過變異和交叉機制在既定研究邊界內擴展表達式。LLM作為研究助理，根據上一輪挖掘結果生成結構化反饋，指導下一輪候選假設生成，形成“挖掘—評估—復盤—再生成”的閉環。

在篩選層，實施兩階段評估與多目標排序。預篩階段在代表性樣本上快速剔除無效表達式；全樣本復核階段考察IC穩定性、換手率、復雜度及冗余度。最終通過Pareto排序，在預測能力、交易摩擦、可解釋性及獨立性之間取得平衡，并通過IC序列相關性控制因子庫冗余，沉淀Active因子。

實證結果與因子表現

研究采用2016年1月1日以來的日頻量價、三大財務報表及WIND金融指標數據，預測未來5日收益率，在中證500和滬深300成分股內進行測試。

在中證500成分股中，挖掘出的因子展現出不同的經濟邏輯。例如，一個因子表現為高研發投入但市場關注度低（交易不活躍）的股票未來表現較好，體現了對低關注度成長股的定價修正。另一個因子則捕捉到“冷門穩定成長股”的短期反轉邏輯，即低流動性且基本面成長信號穩定的公司表現更佳。此外，還發現了“低質量股短期反轉”效應，即成本率、償債能力及利潤增速偏低且價格動量偏弱的股票未來表現較好。

在滬深300成分股中，因子挖掘同樣取得了顯著成果。一個典型因子結合了短期反轉與現金流質量，表明近5日下跌但現金流質量高且流動性穩定的股票未來表現較好，屬于“質量股短期反轉”邏輯。另一個因子則捕捉到“市場認可的增長型投資”信號，即長期維持高資本開支且股價有支撐的公司，未來具有正超額收益，反映市場對其投資方向的認可。

基于滬深300挖掘的5個Alpha因子，采用線性等權方式構建選股組合，回測區間為2020年至2026年2月。組合周頻調倉，持倉60只股票。結果顯示，該組合年化收益率為12.30%，顯著高于滬深300基準的2.18%，超額收益達9.90%。組合年化波動率為19.79%，夏普比率為0.69，最大回撤為-27.35%，優于基準的-45.60%。分年度看，組合在2020年、2024年等年份超額收益顯著，整體展現出較強的穩健性和超額獲取能力。

結論

本文建立的統一框架將因子研究從一次性回測轉化為可持續積累、可復盤、可迭代的Alpha研究生產體系。通過點時一致性、變量語義組織、受約束候選生成及多目標評估，實現了基本面與量價因子的深度融合，為量化選股提供了更具解釋力和穩健性的因子來源。