前言：随着市场的发展与竞争的加剧、尤其是机器学习模型的普及，想要挖掘现有多因子模型以外的增量信息越来越困难。本篇报告提出以下论点：未来量价因子的研究，想要获取更多的、与现有因子低相关性的增量，“逐笔等高频数据”结合“离散化的因子构建方式”至关重要。
　　连续性的因子构建方式：所谓“连续性”，即基于某一段连续的数据计算因子。以常见的“量价相关性类因子”为例，分别基于日频、分钟、逐笔数据，采用连续性的构建方式，批量生产对应的因子簇。将各自因子簇中的因子等权合成，得到“日频连续”、“分钟连续”、“逐笔连续”因子。考察“分钟连续”、“逐笔连续”因子相对于“日频连续”因子的增量，发现虽然从因子的回测效果上来看，将“分钟连续”、“逐笔连续”叠加到“日频连续”上，因子绩效确有显著提升，但一旦落实到组合层面，“分钟连续”、“逐笔连续”的贡献就变得非常有限。以沪深300指数增强组合为例，叠加“分钟连续”、“逐笔连续”因子构建的组合，相对于仅用“日频连续”因子构建的组合，超额年化收益只能提升0.5%-0.6%左右。
　　离散化的因子构建方式：所谓“离散化”，即在过去一段时间内，基于某些特征、抽取几个离散的时间点，只用与这些时间点相关的数据计算因子。分别基于分钟、逐笔数据，采用离散化的方式构建因子簇，同样将因子簇中的因子等权合成，得到“分钟离散”、“逐笔离散”因子。考察离散化因子相对于连续性因子的增量，发现虽然将“分钟离散”、“逐笔离散”叠加到“连续”因子上，因子的回测表现并未得到明显提升，但落实到组合层面，离散化因子却能提供显著的增量。比如基于“连续+逐笔离散”因子构建的沪深300指数增强组合，相对基准的超额年化收益为8.15%，跟踪误差为3.81%，信息比率为2.14，月度胜率为75.68%，最大回撤为4.27%；相较于只用“连续”因子构建的组合，超额年化收益可以提升1%以上。
　　“逐笔离散”因子的表现：在逐笔数据层面，考察放量时间点之后的量价相关性特征，构建“逐笔离散”因子。回测时间段2016/01/01-2025/04/30内，以全体A股为研究样本，该因子的月度IC均值为0.073，年化ICIR为2.87，月度RankIC均值为0.099，年化RankICIR为3.37；10分组多空对冲的年化收益为38.30%，年化波动为11.88%，信息比率为3.22，月度胜率为81.98%，最大回撤为11.87%。剔除常用风格与行业的影响后，因子仍然有效，年化ICIR为2.84。
　　风险提示：以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生明显改变，不排除模型失效的可能性。