20250119-国金证券-Alpha掘金系列之十五_基于OpenFE框架的机器学习Level2高频特征挖掘方法_16页_1mb

基于OpenFE框架的高频因子挖掘与选股策略总结

本报告基于OpenFE框架探讨高频因子挖掘与量化选股策略。OpenFE框架是一种自动化特征生成方法，结合扩张（Expansion）和缩减（Reduction）阶段，提升因子挖掘效率。扩张阶段通过Mask、基础特征和聚合算子生成大量备选特征，Mask规则包括价格区间、成交量区间等，基础特征如逐笔成交数据，聚合算子如求和和均值。缩减阶段采用连续二分法筛选特征，结合FeatureBoost算法进行有效性验证。计算优化使用GPU加速，Tensor数据转换显著提升速度。

测试结果显示，因子周度IC均值为257%，单因子或多头后表现优异，LGBM模型整合后IC均值达642%，多头年化超额787%。与Alpha158和GJQuant因子合成后，年化超额提升至1934%。策略在中证1000股票池周频调仓下，实现年化超额862%和1368%，信息比率分别为0.77和1.98。

风险提示包括历史回测的局限性，政策和市场变化可能导致模型失效，交易成本上升可能影响策略收益。总体而言，OpenFE框架实现高效因子挖掘，增强了量化选股稳定性。