核心观点
　　本文汇集了我们过去四年以来的高频因子开发经验。在高频数据开发速度加快的背景下，我们系统性整理研究成果，以期对高频因子策略的开发与研究有所帮助。核心内容主要包括两个部分：分钟频的因子挖掘实例，以及Level2数据的应用探讨。市场微观结构的变化常会影响历史统计规律的一致性，深入探究高频数据背后反映的规律，方才是挖掘“Alpha”的重要法门。
　　高频数据深度研究汇总
　　分钟频高频因子挖掘技巧
　　因子策略的本质是通过挖掘数据特征来映射标签（通常是未来收益率）的分布，根据现有的方法论，求解路径主要有三类：
　　（1）挖掘数据的分布规律：借助表达式的持续优化，强化指标自身的截面排序效能。
　　（2）捕捉变量的时序特征：股票市场汇聚了各类性质迥异的参与群体，不同群体的行为模式在多维度均存在显著差异，其中交易时间维度的分化，一方面源于市场制度约束，另一方面则由投资者自身交易属性决定。
　　（3）逻辑驱动的多指标联动：量价的Alpha并非总是通过单一指标呈现，多指标间的关联往往还能传递部分额外信息。
　　基于L evel2数据的案例分析
　　（1）识别投资者的交易意图：订单流是市场中所有买卖订单的实时动态集合，包括订单的价格、买卖方向、交易数量和执行状态，不仅是股票价格变动的根本驱动力，更是投资者交易意图的直接反映。
　　（2）探究不同类型投资者的信息：在股票市场中，不同类型投资者的行为特征与决策逻辑存在显著差异。清晰认知这些投资者类型，不仅是把握市场交易动态的关键，更能为投资策略制定提供重要参考。
　　（3）适应算法的变化改进策略或是识别机构特征：由于机构在逐渐采用算法交易执行买卖订单，我们在识别机构订单的难度在不断上升；甚至最简单的“大单化小”的策略，亦能够使得A股市场中的大单资金流的定义标准出现偏差。尽管如此，我们仍然可以利用高频数据工具对市场的真实情况进行逆向还原。
　　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。