人工智能106：基于日内量价结构的神经网络因子挖掘框架

报告构建基于日内量价结构的Value–Weight神经网络因子挖掘框架，以个股单日240根分钟K线为输入，将分钟信息表达（固定公式或可学习网络）与时序权重生成（GRU或Transformer，经Softmax归一化）分离，各输出头加权聚合为50个日频因子，损失函数结合合成监督、逐头监督与去相关约束，采用季度滚动训练，股票池为中证全指，标签为未来5日收益。回测区间为2017-01-04至2026-09-30：固定Value组中分钟收益、收盘位置、实体比例等价格类表达效果较优，Transformer权重整体强于GRU；可学习Value组50个因子RankIC集中于5%至7%且头间相关性低。将可学习50头等权因子与人工高频特征分支等权合成后，RankIC由10.8%升至12.2%，多头组年化超额由18.1%升至22.5%。