人工智能106：基于日内量价结构的神经网络因子挖掘框架
　　日内量价路径蕴含了价格变化、成交活动及其时序关系的信息，固定的统计规则可能难以充分提取其中的有效信号。本文构建Value–Weight神经网络因子挖掘框架，将分钟信息表达与时序权重生成分离，通过多头联合学习获得一组可独立评价和组合的日频因子。2017-01-04至2026-09-30的回测显示，挖掘因子与人工高频特征构建的模型等权合成后，后者的RankIC由10.8%提升至12.2%，多头组年化超额收益由18.1%提升至22.5%。进一步将其纳入全频段量价因子，中证1000指增组合年化超额收益由17.7%提升至19.3%，信息比率由3.18提升至3.33。
　　实验方法：分钟信息表达与时序权重分离，多头联合挖掘日频因子
　　本文以个股单日240根分钟K线为输入，将因子生成划分为三个环节：（1）分钟信息表达：Value模块采用固定公式或可学习网络，描述每一分钟的价格形态与成交信息。（2）时序权重生成：Weight模块采用GRU或Transformer，根据当日量价路径学习各分钟的相对重要性。（3）日频聚合：各输出头分别对分钟信息加权求和，形成50个日频因子。模型在损失函数中结合合成监督、逐头监督和去相关约束，同时优化整体预测能力、单因子有效性与头间冗余，并采用季度滚动方式开展三组对比实验。
　　实验结果：价格类表达效果较优，可学习因子合成后提供增量
　　实验结果显示：（1）固定Value组中，分钟收益、收盘位置、实体比例等价格类表达表现较优，Transformer Weight在这类因子上的表现整体强于GRU。（2）可学习Value组50个因子的RankIC主要集中在5%至7%，头间相关性较低，等权合成后的预测能力和多头表现均有提升。（3）在2017-01-04至2026-09-30的回测区间内，将可学习50头等权因子与人工高频特征构建的高频量价分支等权合成，RankIC由后者的10.8%提升至12.2%，多头组年化超额收益由18.1%提升至22.5%，体现出两类信息提取方式的互补性。
　　指增组合测试：高频增强提升超额收益，动量与多路径改善回撤
　　将挖掘因子加入全频段量价因子的高频分支，构建中证1000指数增强组合。在2017-01-04至2026-09-30的历史回测中，高频增强组的年化超额收益由原全频段组合的17.7%提升至19.3%，信息比率由3.18提升至3.33，超额收益最大回撤由16.1%下降至14.2%。考虑到量价因子在强动量行情中的回撤风险，进一步加入由行业成交集中度及上涨趋势共同控制的抱团动量因子，并采用五路径周频调仓。两项调整后，组合年化超额收益达到20.2%，信息比率4.25，超额收益最大回撤降至7.1%。
　　风险提示：人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。深度学习模型受随机数影响较大。本文回测假定以VWAP价格成交，未考虑其他影响交易因素。