双范式驱动：智能体与深度学习重塑因子研究，高频微观结构与REITs因子持续拓新

1. 本期研究灵感 ⭐

灵感点 1：因子投资双范式——LLM Agent 自主挖掘 × 深度学习端到端合成
^[1] 兴证金工—海外文献推荐系列之一百八十九

• 灵感点：全面梳理了因子投资的两种前沿路径：一是LLM Agent驱动的全自动因子挖掘（自主闭环ReAct、LLM-MCTS树搜索、轨迹级进化QuantaAlpha），二是深度学习端到端因子合成（PPO自适应加权、残差因子分布预测、E2EAI全链路优化）。两种路径并非替代，而是分别从”可解释信号生成”和”非线性Alpha表达”拓展传统因子框架。
• 出处：兴业金工”西学东渐”文献综述系列第189期，围绕Hu(2026)等近期论文，系统比较了传统Alpha Mining与深度学习的范式差异，并提出未来混合框架的方向。
• 启发/怎么用：本文最大的价值在于提供了明确的”范式对照表”——如果你现在还在单靠手动挖因子，可以考虑引入Agentic AI（如QuantaAlpha）接管假设生成与回测闭环；如果你已有因子库，可尝试用PPO或E2EAI做动态权重与端到端组合优化。尤其”市场结构决定范式选择”的观点（机构化市场偏Alpha Mining、散户主导市场偏深度学习）值得国内量化团队在工具链选型时参考。

灵感点 2：“订单聚集”高频因子簇——从逐笔数据到因子生产的体系化流水线
^[2] 国盛金工—“量价淘金”选股因子系列研究（十七）

• 灵感点：将微观结构视角从”单笔订单冲击”扩展到”订单在时间维度上的群体模式”，通过”订单分类→聚集识别（固定/动态窗口）→统计量提取→日内聚合”四步流水线，批量生成几百上千个候选因子，最终筛选出50个年化ICIR>2的订单聚集因子。动态窗口法用相对异常检测解决了”早晚盘居多”的固有偏差。
• 出处：国盛金工沈芷琦/阮俊烨。构建了完整的”四维流水线”，实际测试中综合因子月度RankIC均值为0.106、年化ICIR达4.16。
• 启发/怎么用：本文为高频因子生产提供了可复用的工程范式——“多环节解耦与中间态缓存”的模块化架构，使得大规模因子挖掘不再依赖顶级硬件。研究者可以将自己的微观想法（如”大单冲击后回复速度""挂撤单节奏”）也嵌入到这套流水线中，复用其动态窗口识别与聚合算子，快速批量测试。

灵感点 3：VPIN/DPIN 知情交易概率因子——将学术经典模型工程化为可用的Level-2因子
^[3] 广发金工—海量Level 2数据因子挖掘系列（七）

• 灵感点：基于Easley(1996)的PIN模型框架，使用Level-2逐笔订单数据，分别构建了VPIN（成交量标准化知情交易概率）和DPIN（日内动态知情交易概率）因子。VPIN直接度量全天主买/主卖成交量的不平衡；DPIN通过5分钟区间内收益率的非预期反转方向来区分知情交易行为，从行为（大/中/小单）、时间（早/中/尾盘）、统计（均值/标准差/稳定性）三个维度衍生出36个因子。
• 出处：广发金工安宁宁/陈原文/林涛。部分因子月度RankIC>8%，方向胜率约70%，与现有Barra风格因子、深度学习因子相关性低于0.5。
• 启发/怎么用：传统的VPIN需要大量参数估计，本研究将其改造为可直接计算的日频因子。建议将其作为传统量价因子的低相关补充。尤其DPIN_small类因子捕捉小单中的知情交易行为，可尝试与散户/机构资金流因子叠加使用。

灵感点 4：多维价量指标替代单一因子动量——动态合成信号改善因子轮动
^[4] 申万宏源—量化策略演进手记系列之二

• 灵感点：针对传统因子12个月ICIR选股有效性下降，构建了包含传统动量、技术指标（SMA/RSI/BB/MACD）、因子估值与拥挤度、组合内部分化（个股上涨比例/收益标准差）在内的60个价量特征，通过动态随机森林降维后等权合成，替代原来的单一因子动量信号。新的合成信号能更敏感地捕捉到”反向因子”（如高波、高流动性）的阶段性强势。
• 出处：申万金工沈思逸/邓虎。周度调仓下沪深300、中证500的信息比率均有改善。
• 启发/怎么用：因子动量衰减是公募/量化机构面临的实际痛点。本文的思路——从因子组合的角度（而非股票角度）构建技术指标体系——值得每位做因子择时的人借鉴。尤其是”组合内部分化”指标（如个股上涨比例）可能是比单纯动量更稳定的因子动量代理。可尝试将其与宏观因子共振模型结合，构建更稳健的因子配置决策。

灵感点 5：REITs因子投资手册——为新资产类别奠基的因子框架
^[5] 广发金工—REITs因子投资手册

• 灵感点：首次系统性构建国内公募REITs的因子体系，包括5类24个基本面因子（基本属性、估值、市场、持有人、财报）和基于World-Quant-101改造的低频价量因子。回测采用季频调仓、考虑流动性约束，基本面与价量混合因子组合年化收益32.1%，夏普1.55，最大回撤仅-11.2%。
• 出处：广发金工张超/安宁宁。测试区间2024年1月至2026年3月。
• 启发/怎么用：REITs是快速扩大的资产类别，但量化研究刚刚起步。本文提供了一个可复用的因子构建与回测框架（包括数据清洗、因子定义、多因子合成）。尤其值得注意的是，作者指出REITs高频因子因流动性不足而暂时不可用，这提示类似资产（如转债、封闭式基金）的因子研究需要先做流动性检验。在未来REITs扩容、流动性改善后，这套框架可快速升级。

灵感点（补充）：用因子模型直接预测业绩增速——申万尝试”预测目标替换”
^[6] 申万宏源—申万金工因子观察第10期

• 灵感点：将选股模型的预测目标从股价收益率改为”未来一期净利润增速”，对比了线性三因子（已披露增速+成长因子+分析师因子）、树模型、GRU的效果。发现传统线性三因子等权已能实现约49%的”命中前10%高增速股”的成功率，而树模型虽能提高命中率但反而拉低组合收益——原因是”未命中”的高增速候选股表现系统性弱于同类真实增速股。
• 出处：申万金工邓虎。回测区间2017-2026年。
• 启发/怎么用：这个研究有趣在于”未命中代价”的发现：线性外推的因子模型在选错股票时损失更大。如果你正在做”成长股预测”类策略，可以借鉴其分析框架：不仅看IC/命中率，还要分析”选错”的损失分布。叠加行业轮动做二次选股可显著改善，暗示”预测增速→预测收益”之间存在非线性映射。

2. 方法论主题归类

• 新因子构建：国盛”订单聚集因子簇”^[2]；广发VPIN/DPIN知情交易因子^[3]；广发REITs因子^[5]；兴证港股融券成本因子^[7]。
• 模型与算法：兴证综述LLM Agent（自主闭环/MCTS/轨迹进化）与深度学习（PPO/残差分布/E2EAI）双范式^[1]；申万用随机森林动态合成多维价量特征做因子轮动^[4]。
• 数据驱动：国盛基于逐笔委托/成交的订单聚集识别^[2]；广发基于Level-2逐笔订单的知情交易概率^[3]；长江利用数据变换与K线聚合做维度匹配因子^[8]。
• 框架与方法：兴证港股多因子系统（含融券信息）^[7]；广发指数成分股调整冲击系数测算^[9]；广发资金面利率择时因子库（日频多因子投票）^[10]；长江GARP策略PE-PEG九宫格框架^[11]；长江宏观预期港股择时模型^[12]。
• 另类视角：申万将预测目标替换为业绩增速^[6]；广发将因子投资扩展到REITs新资产^[5]；兴证将因子体系扩展到港股（含融券）^[7]。

3. 值得持续追踪的系列

• **国盛金工 “量价淘金”选股因子系列：第17期「基于订单聚集现象的高频量价因子研究」^[2]，持续拓展逐笔数据因子簇。
• **广发金工 “海量Level 2数据因子挖掘”系列：第7期「日内高频知情交易因子」^[3]，每月跟踪Level-2因子表现^[13][14]。
• **广发金工 REITs因子投资：首次发布手册^[5]，后续可关注REITs因子库的更新与高频因子的探索。
• 申万宏源 “量化策略演进手记系列”：第2期「引入多维价量信息的风格因子轮动」^[4]，可追踪因子择时方案的持续迭代。
• 申万宏源 “申万金工因子观察系列”：第10期「业绩高增速股票能否通过量化手段预测出来？」^[6]，延续对因子构建逻辑的深度探讨。
• 长江金工 “高频因子系列”：第18期「维度匹配因子」^[8]，提出因子构建方法论。
• **兴证金工 “海外文献推荐系列”：第189期「智能体与深度学习：因子投资发展双范式」^[1]，持续跟踪国际前沿。
• 兴证金工 “宽客眼中港股那些事儿系列”：第6期「港股多因子全解析」^[7]，港股量化框架的系列构建。

附：补充信源

• ^[9] 广发金工—指数成分股调整的冲击系数测算：提供了被动基金调仓对个股冲击的量化测算框架，可用于事件驱动策略。
• ^[10] 广发金工—资金面利率择时量化模型：构建了包含74个资金面因子的利率择时因子库（日频多因子投票），为债券量化提供了新维度。
• ^[11] 长江金工—GARP策略的新范式探索（二）：提出了PE-PEG九宫格分类+生命周期+盈利质量的三阶GARP策略构建方案。
• ^[12] 长江金工—宏观量化择时（二）：宏观视角下的港股择时模型：利用花旗中国经济意外指数、USDHKD预期等宏观预期指标构建港股择时Logit模型，样本外AUC约0.7。
• ^[8] 长江金工—高频因子（十八）：维度匹配因子：提出将因子计算拆解为数据变换+K线聚合，并引入匹配聚合（残差匹配构建残差成交量波动率、成交匹配波动因子），为高频因子生产提供方法论。

---

本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。