研究结论
　　本研究旨在揭示量价特征与未来收益率之间的内在联系。我们运用了三个量价数据集，借助三种不同逻辑的模型进行训练，预测标签为未来收益率的五分类。为了处理标签噪音并寻找普适性的逻辑，我们采用了五分类作为标签，借助各类预测概率加权得到最终的量价合成因子。此研究尝试寻找更精细、全面的量价特征以预测未来收益，强调了使用多种时间维度数据和模型预测逻辑的重要性。
　　在本研究中，我们对日频、日内和Level-2三个特征集以及SVM、XGBoost和Transformer三个模型进行了两两组合。对于每种特征，我们将三个模型的预测得分取平均以得到集成得分，最后我们将这三种特征的集成得分再次取平均，形成了所有量价特征的最终集成得分。这种集成方法深度挖掘了不同特征和模型的独特信息，提升了预测的准确性和稳健性。
　　测试采用滚动训练法，选用中证800为样本空间，以过去三年的数据作训练集，接下来一年的数据作测试集，预测目标是未来一周收益率的五分类标签，每类对应的权重分别是-2,-1,0,1,2。模型训练后，对每个测试样本的五类可能性进行加权求和，得出因子值。如某类可能性大，则加权结果将偏向该类对应的值。若五类可能性相似，则结果将接近0。
　　所用到的三个数据集：日频特征集合了包括收益率、动量、波动率、换手率、特异度，涨跌幅榜单因子和买卖压力指标等61个多维度市场行为指标。日内特征融合了常见的日内特征及基于基于前期报告的日内特征，共81个，覆盖广泛的市场行为。Level-2特征集基于委托订单数据和大单数据，包含15个日度特征，部分早期数据存在缺失，进行了零填充处理。
　　日频特征集，三者的信息系数相差不大，XGBoost稍优于其他两个模型，XGBoost的RankIC高达8.7%，ICIR为5.5，其在15年牛市结束后的调整阶段仍保持稳定且较高的超额收益。因子均值合并后，IC均值提升至9.7%，年化超额收益为24%。相关性分析中，三种模型的因子值相关性在53%-65%，IC相关性在65%-80%。
　　日内特征集中，XGBoost显示出最佳的预测能力和风险调整收益率，具有最高的ICIR5.5和夏普比率2.4。SVM有最高的IC达到8.9%，其在2015年超额收益表现突出，可能是因为牛市数据存在明显线性边界。使用集成模型，即各模型输出平均后，RankIC、ICIR最高，达到9.3%和5.6，夏普比率2.3和年化超额收益18.6%也表现良好。三种模型的因子值相关性在58%-65%，IC相关性在77%-82%。
　　Level-2特征集中，同样也是XGBoost表现出色，RankIC6.2%、ICIR5.1、年化超额收益17%、夏普比率2.5，均超过其他两个模型，预测稳定性较高。整合各模型预测结果的集成模型表现稳健，RankIC7.2%，再次说明多模型整合的重要性。三种模型的因子值相关性在31%-63%，IC相关性在51%-78%。
　　总体集成模型的RankIC 10.8%，ICIR 6.0，夏普比率2.8，年化超额收益24.3%，超过三个成分模型，揭示了利用多源数据预测结果集成可以增强预测的全面性，稳定性和准确性，印证了我们的想法。日频数据有最高的RankIC 9.7%，日内数据表现和日频类似，Level-2数据的集成模型虽在部分指标上略逊，但与其他两个模型的相关性较低，且在某些年份取得不错超额收益，对其他两个模型形成强有力的互补。
　　风险提示
　　量化模型失效风险、市场极端环境冲击