在先前的 Factor Zoo 与 Model Zoo 研究框架中，我们分析了将分钟级数据降频至日线级别进行 Alpha 因子 挖掘，并在此基础上对比了各类机器学习模型的表现。本文将在此基础上进行深化：我们将直接在分钟频率上 构建预测因子，并结合股票的日内交易模式与微观结构特征，利用机器学习算法训练端到端的分钟频预测模型。 通过对 A 股市场日内价格进行分析，其中我们发现“尾盘买入-隔日开盘卖出”的隔夜策略存在显著且持续 的超额收益。为精确捕捉此效应，我们设计了一个分钟频率的机器学习交易模型。 在特征工程阶段，我们整合了 Factor Zoo 分钟频因子与 Alpha158 因子，构成了一个高维的初始特征集。随 后，我们利用树模型的特征重要性对其进行评估筛选，提取最具预测力的核心因子。 在模型架构上，我们采用了一种集成策略。融合了两种互补的模型：一是经典的 LightGBM，我们通过滚 动训练的方式使其动态适应市场变化；二是一个创新的深度学习模型 pegformer，其采用“Patch Embedding + GRU + Transformer”的结构，旨在高效捕捉时间序列的局部与全局依赖关系，并通过增量学习提高训练效率。最终， 我们将两个模型的预测信号进行集成，生成最终的交易决策。 结果表明，在中证 1000 指数成分股为交易标的的测试中，该分钟频隔夜模型取得了显著且稳健的 Alpha 收 益。
在构建分钟频因子模型之前，我们必须解决一个核心的优化问题：如何在现实的交易约束下，确定最优的 预测周期与持仓频率。一方面，过于高频的预测与交易虽能捕捉市场的瞬时机会，但由此产生的高昂交易成本 极有可能吞噬策略的 Alpha 收益。另一方面，若持仓周期过长，源自高频数据的短期预测信号则会因快速衰减 而失效，导致模型难以发挥其信息优势。为找到最佳平衡点，我们首先对股价的日内形态进行深入的统计分析， 旨在识别出最具预测价值和交易性价比的时间窗口。 以 A 股市场最具代表性的沪深 300 指数为研究对象，我们选取了其 2016 年至 2022 年间的全部成分股，并 基于分钟频价格数据进行分析。为实现标准化比较，我们将各股票当日的分钟价格均以其开盘价进行归一化处 理。
为了有效提升整体收益，我们必须在择时的基础上叠加选股因子。为此，我们构建一个基于机器学习的 60 分钟频率预测模型。通过个股选择来增强策略的收益，使其具备在真实市场中盈利的能力。
3.1 Alpha158 因子
Alpha158 与 Alpha360 是 Qlib 中默认的两套因子计算方法： Alpha360 采用枚举法的构建方法，它基于六个基础特征——开盘价、最高价、最低价、收盘价、 成交均价及成交量。对这六个特征进行归一化处理，并分别回溯过去 60 个交易日的数据，从而生 成最终的因子列表。 Alpha158 借鉴了一系列经典的量价因子构建思想，其结构设计更加复杂。该因子集通 过引入一个时间跨度参数 d（短期取值[1-5]，中长期取值[5, 10, 20, 30, 60]），从动量、波动率、流 动性等多个维度，深度刻画了股价的短中长期动态特征。
我们此前的研究结果表明，Alpha158 作为机器学习模型的特征输入，其预测效果优于 Alpha360。因此，为 了追求更优的模型性能，我们在此次研究中继续采用 Alpha158 作为基础因子构造方式。
3.2 FactorZoo 因子
在我们的 Factor Zoo 系列研究中，我们曾从振幅、标准差、高阶矩、成交占比、流动性、动量、量价相关 性、极值位置等多个维度构建了数千个因子。在对每类因子的日内规律进行深入分析后，我们最终筛选出了一 批预测效果好且相关性低的有效因子。 需要注意的是，原始 Factor Zoo 在构建的最后一步是将因子降频为日频数据，其筛选标准也着眼于对 5 日 收益率的预测效果。但得益于我们底层架构的灵活性，绝大多数因子（部分统计类因子除外）只需移除其最后 的降频步骤，便可以还原为它们最原始的分钟频序列，从而直接应用于我们的分钟频模型中。
最终筛选保留的因子为：Max($high, 240) / Min($low, 240)-1、Mad($high, 240) / $close、UpStd($close / Ref($close, 4)-1, 240)、Kurt($close / Ref($close, 4)-1, 240)、Corr(Ref($high, 1), $volume, 237)、Peak($close, 240)、 Min($close/Ref($close,7)-1,240)。
3.3 因子筛选
由于 Alpha158 因子数量较多，若将其与 Factor Zoo 因子全部作为模型输入，将导致过高的内存占用和缓慢 的训练速度，这一计算效率问题在训练时序深度学习模型时尤为严峻。为此，我们首先进行因子筛选。 我们采用基于树模型的特征重要性来进行筛选。具体而言，我们在训练集上构建完整的 Alpha158 与 Factor Zoo 分钟频因子集，然后使用 LightGBM 模型进行训练，预测目标为未来 60 分钟的收益率。根据模型输出的特 征重要性排序，我们筛选出排名前 20 的因子作为下一阶段模型的最终输入。 下表展示了经过特征重要性筛选后的最终因子排名。从表中可以清晰地看出，Factor Zoo 系列因子占据了重 要性排名的前列，其表现整体上优于 Alpha158 中的因子。一个非常有趣的现象是，尽管我们最初构建 Factor Zoo 因子库的目标是预测周线级别的收益，但这些因子在剔出降频算子后，在分钟频率的模型中依然展现出了强大 的预测力，这充分说明了它们在不同时间尺度上的普适性和有效性。
为了充分利用数据特性，在模型架构上，我们采用了一种集成策略。融合了两种互补的模型：一是经典的 LightGBM，通过滚动训练的方式使其动态适应市场变化；二是一个创新的深度学习模型 pegformer，其采用“Patch Embedding + GRU + Transformer”的结构，旨在高效捕捉时间序列的局部与全局依赖关系，并通过增量学习提 高训练效率。最终，我们将两个模型的预测信号进行集成，生成最终的交易决策。 对于模型的训练数据，我们采用上文筛选出的 20 个分钟频率因子作为输入特征，预测目标设定为未来 60 分钟的收益率。我们的数据集划分如下：初始训练集覆盖 2016 年至 2020 年，验证集为 2021 年全年。在初始训 练之后，模型将通过滚动训练或在线学习的机制持续更新，以生成动态的预测结果。 至于股票池的选择，为了平衡波动性和流动性，我们以中证 1000 指数的成分股作为本次研究的标的。
4.1 整体框架：集成学习
金融市场数据同时具备两种显著特性： 截面特征：在同一时刻，不同股票的因子表现存在差异，这些因子间的非线性关系和交互作用是预测未来 收益的关键。 时序特征：单一股票的历史数据序列中，蕴含着动量、反转、波动率聚集等重要的动态模式。 传统的机器学习模型（如树模型）擅长处理截面特征，但难以捕捉长程的时间依赖性；而像 RNN,Transformer 等深度学习模型则精于时序分析，但可能忽略因子间的复杂交互。因此，我们的集成框架旨在结合两者的长处， 通过融合它们的预测信号，生成一个更全面、更鲁棒的最终决策。
4.2 LightGBM
LightGBM 是一款高效的梯度提升决策树（GDBT）框架，是处理表格化数据的经典模型之一。它以训练速 度快、内存占用低和预测精度高而著称，非常适合处理大规模的因子数据。在我们的框架中，LightGBM 主要 负责深度挖掘因子在截面上的非线性关系。它能有效识别在特定市场环境下，哪些因子组合对股票的短期收益 最具预测力。 为了让模型能够动态适应市场风格切换，我们采用滚动训练的方式，初始训练集为 2016-2020 年，验证集 为 2021 年，滚动间隔为 1 年。为避免过拟合，模型超参采用 QLIB LightGBM 模型的默认超参，不做任何调整。
4.3 pegformer
为了有效捕捉金融时间序列中复杂的动态依赖关系，我们设计了 pegformer 的新型深度学习架构。该模型 的核心结构为 Patch Embedding + GRU + Transformer。
4.3.1 pegformer 模型结构
pegformer 模型结构如上图所示，核心框架主要由三部分组成： 1. Patch Embedding： 传统的时序模型通常逐个时间步（例如，逐分钟）处理数据，这在处理高频长 序列时计算成本极高。借鉴计算机视觉领域的 Vision Transformer（ViT）思想，我们将输入的长时 序数据切分为若干个连续且不重叠的“片段（Patches）”。每个片段（例如，10 分钟的数据）通过 一个共享的嵌入层被映射成一个高维向量。此举不仅大幅缩短了输入序列的长度，降低了后续模块 的计算复杂度，还能让模型在初始阶段就捕捉到如“10 分钟内 V 型反转”之类的局部形态特征。 2. 第二层引入了 Transformer 的编码器模块。其核心的自注意力机制（Self-Attention）能够评估序列 中所有片段之间的相互重要性，无论它们相距多远。这使得 pegformer 能够捕捉到全局范围内的长 程依赖关系。例如，模型可以发现今天开盘第一个小时的某个模式，与下午收盘前的走势存在着关 键的、非线性的关联。这是传统 RNN 难以企及的。 3. GRU 通过其循环结构，能够有效捕捉数据片段之间的有序演化关系，从而将时间上的前后依赖信 息隐式地编码到其输出中。这种对时序性的聚焦，与 Transformer 的全局视角形成了完美的互补。 pegformer 专注于从股票的历史序列中提取深层的时间模式，包括传统模型难以捕捉的局部形态和全局长程 依赖。
4.3.2 pegformer 模型设置
模型的输入数据结构为三维格式 (b, t, f)，其中 b 是批处理大小，t 是时间序列长度，我们设定为 240（即 每个预测点都基于过去 240 分钟的信息），f 是特征数量，即筛选后的 20 个因子。 在正式训练之前，我们首先采用小样本对模型超参进行快速优化，优化框架使用 optuna, 优化参数包括： patch 长度，patch 滚动间隔，transformer 层数，特征长度，多头数目等。
4.3.3 增量学习
与截面模型相比，时序深度学习模型对计算资源的需求更高。因此，为了平衡预测效果与训练效率，我们 采用了一种基于增量学习的滚动更新策略。增量学习的核心是让模型能从新数据中持续学习，而非完全重头训 练，从而在动态变化的环境中保持知识的连贯性。 具体来说，我们首先在初始训练集上训练一个耗时较长的基础模型。之后，每年使用新增的全年数据对模 型进行一次全量微调，生成用于未来预测的新模型。 在微调技术上，我们选择全量微调（更新所有参数），因为经过测试对比，其效果优于只更新部分参数的 局部微调。这主要归功于每次滚动训练时充足的年度样本量，足以确保全量参数能够收敛到新的最优状态。为 防止模型在微调时出现灾难性遗忘，我们将学习率设置为初始学习率的十分之一，以保证新旧知识的平稳融合。
5.1 因子分析
我们将 LightGBM 与 pegformer 的预测结果进行等权相加，以得到最终的综合预测信号。该信号包含了每分 钟对未来一小时收益的预测，但如此高频率的交易在实操中难以实现。 需要注意的一点是，如我们在第二章的分析中所指出的，最优的交易模式应为“14:45 买入，次日 10:46 卖 出”。考虑到实际交易中，模型计算与下单执行均需要时间，为了增加操作的容错空间，我们最终采用 14:40 时刻生成的预测信号来指导当日的交易，确保交易的可执行性。 最终合成的因子在样本外（2022-2025.7）IC 均值为 0.087，IR 为 9.136。
5.2 策略回测
通过 14 点 40 预测得到的信号，我们构建隔夜交易策略，策略具体设置为：
策略的最终回测净值曲线如下图所示。从图中可以观察到，策略整体表现非常突出，夏普达到了 3.5，实现 了持续稳健的收益增长。尤其值得注意的是，在市场环境迥异的 2022 年和 2024 年，该策略均取得了显著的超 额收益。
鉴于本策略的日度调仓模式，其年化换手率高达 250 倍，这表明策略的最终表现对交易成本高度敏感。为 了评估其在更严苛交易环境下的稳健性，我们进行了一次压力测试，将交易手续费标准由双边千分之二上调至 千分之三。即便如此，策略的年化收益率仍能达到 23.84%，夏普比率为 1.42。将手续费上调至千四，策略依然 能跑赢基准，这表明该策略其盈利能力足以承受较高的交易摩擦。
本文通过对 A 股市场日内微观结构的分析，我们成功构建了一个基于分钟因子模型的隔夜交易策略。策略 采用集成学习，融合了 LightGBM 在截面数据上的优势和我们自研的 pegformer 模型在时间序列上的强大捕捉能 力。在 2022 年至 2025 年 7 月的样本外测试中，该策略表现出卓越的盈利能力和稳健性。预测因子 IC 均值达到 0.087，信息比率高达 9.136。在千 2 的交易成本假设下，策略能实现超过 64.15%的年化超额收益和 3.53 的夏普 比率，即使在较高的交易成本压力测试下，依然能取得显著的超额收益。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
