金工深度研究：基于筹码分层结构的端到端AI因子.pdf

本文研究了基于筹码分层结构的端到端AI因子构建方法及其在指数增强组合中的应用。筹码分布反映了市场参与者在不同成本区间上的存量持仓结构，是刻画投资者盈亏状态、交易摩擦和行为博弈的重要量价特征。研究从筹码龄和投资者类型两个维度构建筹码分层结构，并利用CNN+GRU模型进行端到端建模。

实验结果显示，筹码分层结构中蕴含较强的非线性Alpha信息。其中，筹码龄分层端到端因子表现最优，在2016-12-30至2026-05-29的回测区间内，单因子RankIC达12.3%，多头组年化超额收益为32.5%，信息比率为4.21。该因子表现优于投资者类型分层因子，且与日K线、周K线等传统AI量价模型相比具有较低的相关性和一定的增量信息。消融实验表明，剥离筹码龄分层信息或弱化价格分布形态均会导致因子表现明显下降，验证了模型设计的有效性。

在因子合成及指增组合测试中，将筹码结构因子加入基准AI合成因子，构建的指数增强组合表现优于基准。在相同回测区间内，加入筹码结构因子后RankIC约14.0%，相比基准因子多头超额提升约2.1 pct。具体而言，中证1000指数增强组合的年化超额收益由19.0%提升至21.2%，信息比率由3.29提升至3.53，超额最大回撤由8.5%下降至7.7%。沪深300和中证500指数增强组合的年化超额收益也有所改善。研究指出，未来可通过日内Level2数据进行更精细的建模，并尝试基于Transformer等模型结构进行端到端建模。