核心观点
　　本文通过对A股市场日内微观结构的分析，我们成功构建了一个基于分钟因子模型的隔夜交易策略。策略采用集成学习，融合了LightGBM在截面数据上的优势和我们自研的pegformer模型在时间序列上的强大捕捉能力。在2022年至2025年7月的样本外测试中，该策略表现出卓越的盈利能力和稳健性。预测因子IC均值达到0.087，信息比率高达9.136。在千2的交易成本假设下，策略能实现超过64.15%的年化超额收益和3.53的夏普比率。
　　主要内容
　　简介
　　本文在分钟频率上构建预测因子，并结合股票的日内交易模式与微观结构特征，利用机器学习算法训练端到端的分钟频预测模型。
　　日内股价形态特征
　　A股市场呈现一个显著的日内特征：上下午交易时段的趋势存在明显差异。上午时段，股价整体呈现稳步上升趋势，尤其在开盘后半小时内拉升最为迅猛。下午时段，股价则转为震荡下行，尾盘出现拉升。
　　因子构建
　　本文使用Alpha158与Factor Zoo分钟频因子集。根据特征重要性排序，筛选出排名前20的因子作为模型的最终输入。
　　模型
　　为了充分利用数据特性，在模型架构上，我们采用集成策略。融合了两种互补的模型：一是经典的LightGBM，通过滚动训练的方式使其动态适应市场变化；二是pegformer，通过增量学习提高训练效率。将两个模型的预测信号进行集成，生成最终的交易决策。
　　结果
　　在样本外测试中，预测因子IC均值达到0.087，信息比率高达9.136。在千2的交易成本假设下，策略能实现超过64.15%的年化超额收益和3.53的夏普比率，即使在较高的交易成本压力测试下，依然能取得显著的超额收益。
　　风险分析
　　本报告中所有数据结果是基于历史统计结果的展示，未来有可能发生风格切换导致因子失效的风险。模型运行存在一定的随机性，初始化随机数种子会对结果产生影响，单次运行结果可能会有一定偏差。历史数据的区间选择会对结果产生一定的影响。模型参数的不同会影响最终结果。模型对计算资源要求较高，运算量不足会导致结果存在一定的欠拟合风险。本文所有模型结果均来自历史数据，模型存在统计误差，不保证模型未来的有效性，对投资不构成任何建议