量化专题报告：“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

一、核心观点

本报告提出“量价指纹”概念，借鉴大语言模型的语义理解思想，将市场交易数据视为一种特殊“语言”，通过自监督学习理解、提取日内量价行为中蕴含的特征，生成日度“量价指纹”，并在端到端深度学习选股模型中进行初步应用。

二、量价指纹的构建

量价指纹的构建流程遵循从原始数据处理到深度语义表征的路径，围绕分钟特征处理、双任务自监督学习、防坍缩正则化三个关键环节展开：

1. 分钟特征预处理：选取32维分钟级特征（包括价格特征和交易特征），并分别进行标准化处理。
2. 双任务学习框架：通过前向因果预测任务（价格特征预测）和后向特征重建任务（交易特征重建），迫使模型学习市场量价关系的动态语义与因果结构，生成128维日度指纹向量。
3. 防坍缩设计：引入多样性、正交性和均匀性正则项，确保指纹向量具备高区分度、低冗余与信息丰富的特性，避免表征坍塌。

三、量价指纹的端到端应用初探

将“量价指纹”作为输入特征，结合GRU模型，对股票的未来收益进行预测，初步验证了其在市场预测中的有效性：

1. 单一数据集测试：仅使用量价指纹进行模型训练得到的因子，具备一定的预测能力。2017/01/01-2025/12/31，因子的周度RankIC均值为0.106，全市场10分组多空对冲的年化收益为83.88%，信息比率为5.41，最大回撤为11.65%。
2. 量价因子和量价指纹融合测试：量价指纹可在用常规量价因子构建模型的基础上，提供增量信息。双流GRU模型结合量价指纹与量价因子，进一步提升了预测能力。融合因子的周度RankIC均值为0.109，全市场10分组多空对冲的年化收益为90.89%，信息比率5.95，最大回撤为11.54%。
3. 指数增强组合的表现：基于融合因子构建的指数增强组合，在严格的风险约束条件下，仍能取得稳定、可观的超额收益。例如，沪深300指数增强组合的超额年化收益为7.12%，跟踪误差为1.74%，信息比率为4.10，月度胜率为86.11%，最大回撤为1.85%。

四、未来研究展望

未来将尝试深化指纹语义解析、探索α/β分离建模、推动指纹与传统因子的协同应用，进一步挖掘指纹中蕴含的丰富信息。

五、风险提示

以上结论均基于历史数据和模型的测算，如果市场环境和结构发生剧烈改变，不排除模型失效的可能性；单模型的收益可能存在较大波动，实际应用需结合资金管理、风险控制等方法；模型测算可能存在相对误差，不构成实际投资建议。