本次汇报围绕高频量化研究展开,首先介绍高频数据分为tick级数据(Level2)、快照型数据两类,降频本质是信噪比提纯,不同数据适配不同交易频率,高频数据可优化流动性、反转、波动率等因子表现,本次框架聚焦截面端;随后讲解流动性、交易拥挤与筹码分布、低波效应与反转、空头意愿/错误定价四类经典高频因子的构建逻辑与收益来源,提及A股周频及月频以下偏向反转、长期偏向动量等特征;再说明高频因子组合需基于收益来源分散配置,阐述其与深度学习融合的核心维度、二者本质同源的特性,最后介绍算子化挖掘框架、AI驱动的演绎式因子生成模式,指出当前框架更适用于周频以上调仓,后续研究将沿深度学习做集合、算子化做分散两个方