人工智能105：基于筹码分层结构的端到端AI因子
　　筹码分布反映市场参与者在不同成本区间上的存量持仓结构，是刻画投资者盈亏状态、交易摩擦和行为博弈的重要量价特征。本文从筹码龄和投资者类型两个维度构建筹码分层结构，并使用AI模型对其进行端到端建模。实验结果显示，筹码分层结构中蕴含较强的非线性Alpha信息，其中筹码龄分层因子表现最优，2016-12-30至2026-05-29的回测区间内，单因子RankIC达12.3%，多头组年化超额32.5%。进一步将筹码结构因子与基准AI因子合成构建中证1000指数增强组合，相同回测区间内年化超额收益21.2%，信息比率3.53，两项指标相比基准因子分别提升2.2 pct、0.24。
　　实验方法：基于CNN+GRU对筹码分层结构进行端到端建模
　　本文尝试利用AI模型对筹码分布的精细结构进行端到端建模，其中：（1）特征端：基于VWAP中心三角分布换手递推法估算筹码整体分布，并进一步根据筹码留存时间、筹码交易订单大小拆解筹码分布中的筹码龄分层和投资者类型分层结构特征。（2）模型端：将筹码分布映射至相对当前股价的价格轴，利用CNN+GRU模型进行端到端建模，其中CNN用于提取单日筹码分布的价格形态特征，GRU用于刻画筹码结构在时间维度上的动态变化。
　　实验结果：端到端因子多头表现较优，相比人工构造特征有增量
　　实验结果显示：（1）筹码龄分层端到端因子表现优于投资者类型分层因子，前者多头组收益高于日K线、周K线等传统AI量价模型，且相关性较低。（2）对比筹码龄分层端到端因子与人工构造筹码特征因子，前者IC指标及多头超额均更优。（3）消融实验结果显示，剥离筹码龄分层信息或弱化价格分布形态后，因子表现均明显下降，表明筹码分层结构特征与价格形态特征均是端到端建模的有效信息来源。
　　指增组合测试：筹码结构合成因子整体优于基准AI因子
　　将筹码结构因子加入基准AI合成因子，并构建指数增强组合进行测试，结果表明，在2016-12-30至2026-05-29的回测区间内，加入筹码结构的合成因子RankIC约14.0%，相比基准因子多头超额提升约2.1 pct。同回测区间内，沪深300、中证500和中证1000指数增强组合的年化超额收益均有所改善，其中中证1000组合年化超额由19.0%提升至21.2%，信息比由3.29提升至3.53，超额最大回撤由8.5%下降至7.7%。
　　风险提示：人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。深度学习模型受随机数影响较大。本文回测假定以VWAP价格成交，未考虑其他影响交易因素。