量化因子掘金系列专题报告：OpenFE驱动下的多因子融合实战.pdf

量化因子掘金系列专题报告：OpenFE驱动下的多因子融合实战。研究要旨：本研究运用 OpenFE 自动特征生成算法，搭建因子挖掘工作流。通过最大化夏普合成，获得最终的选股因子，并根据因子值分组构建组合。该框架融合了基本面、量价和 191 Alphas 等三个不同域的特征，经过该框架生成增强型因子、含交互项的因子和最终的合成因子。本文对这些因子进行了回测，分析和应用，并对比分析不同的因子合成方法在此场景下的效果差异。

组合效果：在 A 股选股场景中，OpenFE 生成的合成因子组合年化收益率 24.8%，年化超额 24.5%，夏普 1.66，胜率 58.6%，周胜率 60.8%，盈亏比 1.34。且回撤控制优异，最大回撤 36.4%小于基准，最大回撤持续约 1 个自然月，验证了其收益与风控的平衡。

策略特点：这些组合过拟合程度低，通过严格筛选和因子处理，降低数据中的噪声干扰，鲁棒性好。模块应用更便捷，运行过程更高效。调仓频率为周度，一定程度减少了交易损耗。回撤控制优异，回撤修复较快。

因子对比：191 Alphas 和传统基本面和量价因子的净值分布均为非正态，从统计上看均有右偏倾向，个别因子表现可以非常好。在不依赖正态性的检验中，两类因子的方差和中位数并无显著差异，在较宽泛条件的 t 检验中，两类因子的均值也无显著差异。从总体上，不能说 191 Alphas 显著更强。但在不同时域和选股域上可能会存在个体差异。这些因子都有不同的适用场景和频率。

多域融合：深度聚焦于基本面、量价以及 191 Alphas 这三个不同域的特征融合。通过 OpenFE 的特征生成方法，不仅生成增强型因子，而且挖掘出包含不同域之间交互项的因子，充分挖掘各域因子的独特优势与潜在关联，实现多维度数据的有机整合，以此构建出更具预测能力与市场适应性的选股因子体系。