川海智库

报告概述

本报告为"机器学习"选股模型系列研究首篇，提出"量价指纹"概念，将市场分钟级交易数据视为一种特殊语言，通过自监督学习框架（双任务学习+防坍缩正则化）提取日内量价行为的深度语义表征，生成128维日度指纹向量。在此基础上，将量价指纹作为输入，结合GRU模型进行股票未来收益预测，并与传统量价因子融合，构建指数增强组合。报告详细阐述了建模原理、框架设计、训练细节及实证表现，为量化研究从"特征工程"走向"语义理解"提供了新思路。

报告的核心结论

量价指纹模型能有效提取市场交易的语义信息

报告借鉴大语言模型思想，将分钟量价数据视为特殊语言，通过因果预测与特征重建双任务自监督学习，强制模型理解量价关系的动态结构与因果逻辑，生成的指纹向量保留了信息丰富性、区分性和因果性，为量化预测提供了新的特征基础。

仅用量价指纹训练的因子具备显著选股能力

2017年至2025年回测中，仅基于量价指纹的因子周度RankIC均值为0.106，全市场10分组多空对冲年化收益83.88%，信息比率5.41，最大回撤11.65%，证明指纹中蕴含的预测信息可有效转化为选股信号。

量价指纹可提供传统因子之外的增量信息

将量价指纹与常规量价因子通过双流GRU融合后，融合因子周度RankIC提升至0.109，多空年化收益90.89%，信息比率5.95，优于单独使用任一数据集，验证了指纹与传统因子在信息上的互补性。

融合因子构建的指数增强组合超额收益稳健

在严格风险约束（成分股权重、行业偏离、个股权重、Barra风格无偏）下，基于融合因子的沪深300、中证500和中证1000指数增强组合均取得稳定超额收益，信息比率分别达4.10、3.28和4.30，月度胜率超过83%。

报告回答的关键问题

量价指纹是如何从股票交易数据中提取的？

报告通过自监督学习框架构建量价指纹：首先提取32维分钟级价格与交易特征并进行标准化；然后利用因果Transformer编码器，通过前向因果预测任务（用已知信息预测价格特征）和后向特征重建任务（随机掩码重建交易特征）迫使模型学习量价关系的深层语义；最后加入防坍缩正则化确保指纹高区分度与低冗余，输出128维日度向量。

量价指纹在选股中如何应用？效果如何？

量价指纹可直接作为GRU模型的输入特征预测股票未来收益。回测表明，仅用量价指纹的因子周度RankIC均值0.106，多空年化收益83.88%。将指纹与传统量价因子通过双流GRU融合后，预测能力进一步提升，融合因子多空年化收益达90.89%，信息比率5.95，且构建的指数增强组合在严格约束下超额收益稳定。

量价指纹与传统量价因子有何区别和联系？

传统因子是人工设计的统计特征，侧重捕捉历史验证的规律；量价指纹通过自监督学习从数据中自主提取全局、隐式的市场行为语义，是对市场微观状态的结构化表达。两者信息重叠约0.52但各有独特信息，融合后可互补提升模型性能。指纹与市值因子相关性极低，表明其捕捉的是与市值不同的动态特征。

量价指纹模型未来有哪些研究方向？

报告提出三个方向：一是对指纹进行语义深度解析，如聚类、分解、相似度分析以挖掘隐含信号；二是将α与β在指纹空间中分离建模，提高解释性和策略适应性；三是推动指纹与传统因子协同应用，通过多流建模、集成学习等方式实现显式因子逻辑与隐式语义指纹的有机融合。

报告中的代表性数据

90.89%

融合因子多空对冲年化收益

2017/01/01-2025/12/31，量价指纹与量价因子融合训练的双流GRU模型生成的因子，在全市场10分组多空对冲（周度换仓，不计交易费用）中的年化收益率。

7.12%

沪深300指数增强组合超额年化收益

2017/01/01-2025/12/31，基于融合因子构建的沪深300指数增强组合，在成分股权重不低于85%、行业偏离不超过1%、个股权重偏离不超过0.3%、Barra风格无偏约束下的年化超额收益。

4.30

中证1000指数增强组合信息比率

2017/01/01-2025/12/31，基于融合因子构建的中证1000指数增强组合的年化超额收益与跟踪误差之比。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 分钟级特征预处理细节：包括32维特征的具体定义（价格特征如高、低、收、价格位置；交易特征如成交额、挂撤单、资金流等）以及两种标准化方法（价格用开盘价，交易用日总量均值）。
  • 量价指纹生成模型的完整架构：包含固定正交投影层、4层因果Transformer编码器、双分支输出结构（日度指纹生成与序列重建）的详细数学表述与参数设置。
  • 损失函数设计：包括前向因果预测损失、后向特征重建损失以及多样性、正交性、均匀性三种防坍缩正则化项的公式与权重配置。
  • 模型训练细节：滚动训练框架（每年用过去三年数据微调）、batch_size、学习率调度、早停机制、梯度裁剪等超参数。
  • 单一数据集对比测试完整结果：模型1（量价因子）与模型2（量价指纹）在2017-2025年的10分组净值走势、超额净值、绩效指标（IC、多空收益、多头超额等）详细对比，以及与Barra风格因子的相关性分析。
  • 双流GRU融合模型结构图与详细设计：说明为何采用双流以及如何融合两个GRU的隐藏状态。
  • 指数增强组合回测细节：沪深300、中证500、中证1000三个组合的严格约束条件、净值曲线、分年度超额收益与风险指标。
  • 未来研究展望：包括指纹语义深度解析（聚类、分解、相似性网络）、α/β分离建模、传统因子与指纹协同应用（多流建模、特征融合、集成学习）的计划。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告