数据制胜：如何能在股票市场的博弈中胜出？对于量化投资者来说，关键在于对数据的全面收集，并结合数学模型和算法进行深入分析，从海量数据中挖掘出隐藏的市场规律。
　　用逐笔订单数据改进分钟频因子：在《基于深度学习的高频数据因子挖掘：多因子Alpha系列报告之(五十一)》等前序报告中，基于分钟频数据构建了一批有效的Alpha因子，其中一个重要逻辑是：基于成交量、涨跌幅、股价等指标对日内重点分钟时段进行区分，然后统计这些重点时段内的量价特征。本文尝试采用逐笔订单数据对分钟频因子进行改进，构建了一批日内重点时段（KeyPeriod）的Level 2因子。这些新构建的因子包括涨跌、价格、成交金额、量价协同共4大类、123个因子，同时予以不同阈值的指标划分标准、以及主买/主卖区分。
　　33个涨跌类因子：横盘时段因子KeyPeriod_ret_zero的20日换仓历史RankIC均值为-5.36%、胜率为85.1%；下跌时段因子KeyPeriod_ret_low5pct的20日换仓历史RankIC均值为5.47%、胜率为84.1%。
　　30个价格类因子：低价时段因子KeyPeriod_price_low5pct的20日换仓历史RankIC均值为5.59%、胜率为85.3%。
　　30个成交金额类因子：大成交金额时段因子KeyPeriod_amount_top30pct的20日换仓历史RankIC均值为11.23%、胜率为84.8%；小成交金额时段因子KeyPeriod_amount_low50pct的20日换仓历史RankIC均值为-10.50%、胜率为75.0%。
　　30个量价协同类因子：量价背离时段因子KeyPeriod_sync_low50pct的20日换仓历史RankIC均值为6.00%、胜率为81.5%。
　　风险提示：（1）本文所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时存在失效风险；（2）本文策略在市场结构及交易行为改变时有可能存在失效风险；（3）因量化模型不同，本文提出的观点可能与其他量化模型结论存在差异。