关联网络一直是近些年研究的重点。团队在此布局颇多，本文进一步将关联网络应用到高频领域，进行因子构建，效果颇佳。报告重点有三：网络的刻画、不跨日高频特征切入、跨日高频特征切入。
　　网络介绍：本文从离散关联的行业分类切入，研究了不同行业分类构造动量溢出因子的异同及相关性强弱。通过将多个低相关性行业分类溢出因子整合，得到了效果较好的多行业划分溢出因子。
　　不跨日特征研究：本文探究了基于不跨日日内1分钟数据构造日间特征，输入溢出算子生成因子的改进方式。不同特征构造的溢出因子有明显低相关性预测信息。跨日特征研究：本文研究了基于跨日高频行情拼接，高频采样生成特征并输入溢出算子生成因子的改进思路。跨日拼接高频计算特征能够有效捕捉短期连续行情下的定价信息，合成因子预测效果较好。
　　整体结果：各思路均有明显改进效果，细分因子多空夏普比率均大于2.5。合成因子表现优异，周换仓下多空收益年化39.33%，夏普比率3.83，最大回撤10.91%，卡玛比率3.6，Rank IC 3.95%。合成因子特异性较强，和基础库中的因子相关性较低，最高为0.43。
　　进一步改进：基于特征的改进思路在连续性关联网络下同样有效，基于专利关联网络构造的专利关联溢出因子效果较好，因子多空收益年化18.2%，夏普比率3.86，最大回撤3.8%，卡玛比率4.83；将行业关联网络和专利关联网络这2个表征离散和连续的关联网络构造的因子进行复合，得到了溢出复合因子，周换仓下多空收益年化32.9%，夏普比率4.58，最大回撤5.3%，卡玛比率6.16，Rank IC 3.1%。
　　风险提示：报告中的结果均通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。