20260815-国盛证券有限责任公司-量化专题报告_机器学习_选股模型系列研究（二）-量价指纹模型的迭代_行为选股与条件风格收益的协同建模_39页_2mb

量化专题报告总结

核心内容概述

本报告围绕“机器学习”选股模型的迭代，重点分析了量价指纹模型的优化与应用。报告指出，初版模型在市场风格切换时表现出适应性不足的问题，原因在于预训练阶段引入了收益方向目标，导致行为表征与收益预测混杂。为此，报告提出新的模型架构 WPE（Within-Day Pretrained Encoder） 和 CDE（Cross Day Evaluator），以实现行为表征与收益预测的职责分离，提升模型在不同市场环境下的适应能力。

主要观点

1. 行为与收益的职责分离

• WPE 模型专注于学习交易行为，如买方压力、撤单压力、波动状态等，不直接预测收益。
• CDE 模型在下游应用中，将 WPE 行为指纹与日线价量状态输入 GRU，通过 AlphaHead 和 BetaHead 分别捕捉个股收益规律与截面共同收益结构。
• AlphaHead 负责正式部署的选股信号，BetaHead 用于训练时识别共同收益方向，但不参与最终输出，以避免风格反转带来的信号失效。

2. WPE 模型的构建

• 输入特征：包含 62 项分钟级价格与交易特征，涵盖价格路径、成交与资金流、不同资金层级参与、挂单供给、订单激进度和撤单行为。
• 模型结构：使用 4 层因果 Transformer，结合固定因子化投影、正弦位置编码和可学习分钟位置编码，最终生成 128 维日级行为指纹。
• 训练目标：通过预测未来行为的分布（如 Beta 分布、LogNormal 分布、三分类等），而非直接预测收益，以增强模型对市场行为的刻画能力。
• 行为房间设计：引入 5 个行为房间（资金流、参与者、流动性、波动率、撤单），通过多任务预测和正交约束，提升行为表征的结构化程度。
• 年度更新机制：采用模型初始化继承、对比蒸馏和参数 EMA 等方法，确保表示连续性，避免因模型重置导致的不一致。

3. CDE 模型的结构化收益建模

• 模型结构：将 WPE 指纹与日线价量状态拼接为 134 维输入，输入单层 GRU，提取 64 维共享状态。
• AlphaHead：学习个股行为与价量状态的联合信息，输出可直接用于选股的 PureAlpha 分数。
• BetaHead：用于识别截面共同收益方向，但不参与正式部署，仅用于训练阶段的收益解释。
• LambdaHead：构造训练期的截面收益基准，用于 BetaHead 的训练。

关键信息

1. 模型表现

• PureAlpha 因子：在回测区间 2021/01/04-2026/07/17 中，周度 RankIC 均值为 0.078，年化 RankICIR 为 5.66，十分组多空组合年化收益为 76.94%，信息比率为 6.02。
• 市值与行业中性化后：因子周度 RankIC 均值仍达 0.070，表明其在股票内部具有良好的排序能力。
• 组合表现：将端到端因子与 PureAlpha 按 8:2 组合后，中证 1000 指数增强组合超额年化收益达 17.30%，信息比率为 2.82，月度胜率为 78.18%，最大回撤为 3.17%。
• 2026 年表现：PureAlpha 指数增强组合超额收益由 4.72% 提高至 8.26%，显示模型在风格反转中的适应性提升。

2. 指纹的表征特征

• 信息容量：指纹空间具有持续的信息容量，能反映市场行为的集中与分化。
• 经济含义：指纹差异难以被传统风格、行业和价量指标完全解释，说明其包含独立的微观行为信息。
• 时间连续性：同一股票跨期指纹相似度显著高于随机股票，表明其具有时间延续性。
• 迁移轨迹：固定股票群体在市场事件中表现出清晰的行为迁移轨迹，如小微盘股票在流动性冲击中的行为变化、科技股票在行情中的持续调整。

3. 模型优化逻辑

• 避免风格嵌入：WPE 不使用未来收益作为训练标签，确保行为表征独立于风格偏好。
• 结构化表示：通过行为房间与正交约束，使模型能够区分不同行为机制，提升表示的可解释性与稳定性。
• Alpha/Beta 分离：CDE 模型在训练时同时学习 Alpha 和 Beta，但在部署时仅使用 AlphaHead 输出，以减少对市场风格的依赖。

未来研究方向

• 完善经济解释：进一步挖掘行为房间与指纹空间的经济含义，结合基本面、事件信息或其他手工特征。
• 条件化解读：探索如何结合市场风险偏好、流动性与波动状态，对相同交易行为进行条件化分析。
• 多模型融合：继续探索 WPE 与端到端模型的融合，提升指数增强效果与风险控制能力。

风险提示

• 历史数据与模型测算不能保证未来表现。
• 市场环境变化可能导致模型失效。
• 单一模型收益存在波动，需结合组合优化、资金管理和风险控制。
• 模型测算可能存在误差，不构成投资建议。

作者与相关研究

• 分析师：沈芷琦、刘富兵
• 研究助理：诸格慧明
• 相关研究：
  1. 《“机器学习”选股模型系列研究（一）：量价指纹模型的构建与应用初探》
  2. 《基于流动性冲击事件的逐笔羊群效应因子》
  3. 《基于订单聚集现象的高频量价因子研究》

总结

本报告通过重新划分行为表征与收益预测的职责，提出了 WPE 和 CDE 两阶段模型，提升了量价指纹模型在风格切换时的适应性。WPE 专注于学习交易行为，CDE 则在行为与价量联合信息中提取个股与共同收益结构。模型表现良好，尤其在中证 1000 指数增强中展现了显著的超额收益。未来将进一步完善模型的经济解释，提升其在不同市场环境下的适用性。