发现报告 - 请查找高频因子相关的金工量化研报，需要2020年以后的报告。

好的，我根据您提供的资料，为您梳理了2020年以后与高频因子相关的金工量化研报信息。这些报告涵盖了高频因子的表现跟踪、模型改进、微观结构分析以及风险提示等多个方面，希望能帮到您。

我为您整理了以下从2020年至今，关于高频因子的核心研究报告，按主题分类如下：

这类报告定期跟踪高频因子的多空收益表现，是观察因子动态的重要窗口。

2025年及2026年高频因子表现分化：根据华泰证券、国泰君安等机构的周报，高频因子在不同年份的表现差异显著。例如，2025年大部分高频因子表现亮眼【5】；而进入2026年，部分因子如“开盘后买入意愿强度”在7月出现了较大回撤【8】。这表明高频因子的有效性并非恒定，需要持续跟踪。
- 2025年表现：2025年8月，日内高频偏度、开盘后买入意愿强度等因子均录得正收益【5】。至2025年12月，多个因子延续强势，其中“开盘后买入意愿强度”因子2025年全年多空收益高达29.69% 【10】。
- 2026年表现：2026年6月，日内高频偏度、开盘后买入意愿强度等因子表现持续【4】。但到了7月，多数高频因子出现集体回撤，例如“开盘后买入意愿强度”因子7月多空收益为-9.17% 【8】。
全频段量价因子：华泰证券在2025年2月发布报告，提及“全频段量价因子”今年以来相对全A等权指数有2.07%的超额收益【1】。

为了提升高频因子的表现和稳健性，多家机构在模型端进行了探索。

引入大语言模型与Transformer架构：华泰证券在2025年3月的报告《人工智能89：从因子端、模型端、标签端改进高频量价选股模型》中，详细介绍了从三个维度对模型的改进【6】：
- 因子端：引入大语言模型生成的分钟线、等量K线和tick因子。
- 模型端：采用Transformer架构，并借鉴iTransformer和Crossformer模型，引入变量间注意力机制。
- 标签端：将预测目标从未来10日总收益调整为未来10日逐日收益序列。
GRU时序模型优化信号：中信建投证券在2026年6月的报告中，针对传统平滑方法的痛点，引入了GRU时序模型对高频因子信号进行优化重构。该模型能动态提取时序特征，对不同交易日的量价信息差异化赋予权重，兼顾了建模效果与效率【9】。

高频因子与市场微观结构息息相关，理解其背后的逻辑至关重要。

“早价尾量”现象：中信建投证券的研究指出，由于投资者结构并非完全分散，市场会在开盘后集中消化隔夜信息，此时的价格涨跌对后续价格更具指导作用；而偏好短线交易的散户更多拥挤在尾盘交易。因此，建议关注“早价尾量”相关的因子【7】。
微观结构变化与因子有效性：深交所数据显示，2022年股票委托执行时间已降至2006年以来最低水平，交易提速明显【9】。尽管监管对高频交易划出了红线，但报告认为，市场微观结构的变化和监管并不构成高频数据因子长期失效的决定性因素【9】。

任何量化因子都存在失效风险，高频因子也不例外。

总结一下：2020年以来的高频因子研究，一方面在持续跟踪和检验各类因子的市场表现，另一方面也在不断探索更先进的模型（如Transformer、GRU）和更细粒度的数据（如tick级数据）来挖掘和增强Alpha。同时，报告也反复提示了因子失效和市场环境变化的风险。希望这份梳理对您有帮助！