长江金工深度学习系列：筹码分布因子研究

发布时间：2026-07-30 一、核心要点 1. 本次汇报为深度学习研究系列第三篇，聚焦输入端改进，主题为筹码分布因子 2. 筹码分布本质是各价格档位上成交量的分布，本次利用高频数据刻画微观价格档位成交，替代传统日频基于换手率的筹码留存处理 3. 筹码分布计算核心流程：第一步每日价格档位成交量分布；第二步用日度换手率对数（半衰期式）计算筹码留存率；第三步叠加过去20天各日筹码分布（当日分布×对应日留存率），形成输入矩阵 4. 本次改进将输入矩阵从时间轴转至价格轴，形成以价格为横轴的矩阵，融入成交价、成交量占比等5类特征，并做量纲归一化处理 5. 后续对价格轴矩阵做特征衍生：生成均值、标准差、偏度、峰度、熵等算子，并新增上下行市场分域特征 6. 最终因子调整：先将分布向量浓缩为标量特征，再将该特征对应过去20天时序形成新输入，替代原单20天窗口输入 二、投资线索 1. 筹码分布因子的IC表现：全市场IC达16.62%（2019年以来）、20.12%（2025年以来） 2. 回测效果：分组收益从原2019年16、2025年20提升至2025年21、2025年2 4；沪深300、中证500等板块多头收益显著增加 3. 风格相关性：原与市值、低beta、波动率、换手率等风格因子相关性较高，调整后相关性降至30%-40%，信噪比提升 4. 特征经验：成交笔数相关特征、均值/标准差/熵算子、下行市场特征等IC更高，可借鉴至高频因子开发 三、风险与关注 1. 因子强度仍不足，小市值板块表现弱于其他板块，需进一步优化2. 因子与部分风格因子仍有较高相关性，需通过标签端调整剥离冗余信息3. 未来将继续研究该方向，落地策略展开