中国二级市场成交量持续破万亿屡创新高,多变的市场风格让投资者不免疑问巨额成交量从何而来,市场一度传言“量化交易贡献了A股万亿成交的一半交易量”。中国证监会主席易会满在世界交易所联合会（WFE）会员大会上也谈到针对量化交易等新型交易方式的监管问题,他提到量化交易、高频交易在增强市场流动性、提升定价效率的同时,也容易引发交易趋同、波动加剧、有违市场公平等问题。无论是市场传言还是证监会主席表态,都将量化投资更充分的展现在投资者眼前。监管层对量化交易的担忧主要集中在容易引发交易趋同、造成波动加剧、有违市场公平等问题。而这些问题又集中将矛头指向了高频交易,如果交易频率较高不能抵消手续费及交易成本,其交易频率自然会下降。而随着市场进化高频交易的量化投资的超额收益也会逐渐降低,这也是成熟市场发展的经验,越是规模较大的股票量化私募越表示,会注重不同交易频率的融合。拓展中低频因子,也更强调避免在交易中对市场造成不利影响,诚奇资产董事长表示主要采用中频策略,不追求对技术的极致使用,相比于高频策略可能获利没有那么明显,但能更好地把规模做大。利用机器学习模型、深度学习模型等将投资策略设计成机器识别的量化投资方式得到了广泛的应用,量化策略已然成为资管行业的主流赛道之一。中信证券研究部量化基金研究团队表示,截至2021年上半年末,证券类私募中量化产品规模接近万亿、规模占比约两成;百亿以上量化私募管理人的合计规模估算约4800亿,公募量化基金规模约2600亿。当今人工智能机器学习和深度学习技术方兴未艾,在影像图片识别,搜索推荐以及自然语言处理等较多领域取得傲人成就。相比与过去传统的时间序列分析,机器学习和深度学习能够更加快速的处理分析海量数据,并且这些模型往往具有较强的泛化能力。本文灵感来源于人工智能在物理竞赛领域的冠军团队预测模型,并运用在中国市场的中频量化策略中。本文首先介绍多因子模型的理论背景,从传统的资本资产定价模型以及基本原理;再介绍基于资本资产定价模型的FF三因子模型以及基本原理;最后介绍五因子模型。基于单因子长期回测效果提取出Barra因子,风险因子和行业因子中的有效因子,并解释各因子对模型的贡献。代码回测中发现在历史回测周期内不同的因子包括基本面因子、技术指标因子、动能反转因子在不同周期有不同的效果,将此现状归结于因子的重要性会随着市场风格而轮动。其次在策略设计过程中,使用较为高效的并且在多次预测建模大赛中获奖的XGBoost算法,以及梯度提升框架算法Light GBM,和长短期记忆神经网络LSTM算法。利用历史数据训练出模型,将当下因子代入模型中,对股票收益率进行二分类和预测,同实际股票收益率进行对比从而对模型进行优化,提出一套中频交易的量化投资方案。最后融合多种机器学习模型,尝试探索不同模型能否克服对方的缺点,融合成的新模型相比单一模型是否具备更高的夏普率。中证800指数包含具备代表性市值的上市公司,对模型评价具备普适性。因此将股票收益率相对于基准指标中证800的收益率转化为分类问题即股票当天涨跌幅相对中证800是否具备超额收益转化为分类问题。不同策略回测显示得出,融合不同模型优缺点防止过拟合的融合模型要比单一模型更具有超额收益,表明这种投资模式在回测阶段是可以有效战胜市场,对投资者未来的投资活动也有借鉴参考意义。选择中频交易的方式能够增强市场流动性、提升定价效率的同时避免短期引发剧烈波动。