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

核心观点与关键数据

• 研究背景与问题：前期提出的量价指纹模型在收益预测和指数增强中展现出潜力，但预训练阶段引入收益方向目标可能导致模型在市场风格切换时适应性下降。
• 模型迭代思路：重新划分行为表征与收益预测的职责，构建不使用未来收益作为预训练标签的WPE模型，并通过CDE框架对收益进行结构化分解。

WPE行为指纹模型

• 输入特征：每只股票每日237分钟、62项价格和微观交易特征，覆盖价格路径、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等多个层次。
• 模型结构：采用因果Transformer架构，通过四层因果Transformer学习128维日级行为指纹。
• 训练目标：预测后续买方压力、撤单压力、委托激进度、大资金参与、波动状态和流动性状态，并预测未来行为的条件分布。
• 表示约束：引入五个行为房间、行为一致性和房间正交约束，提高表征空间的信息组织能力。
• 模型年度更新：采用模型初始化继承、对比蒸馏和参数EMA的设定，保证表示连续性。

量价指纹的表征特征与经济含义

• 信息容量：指纹空间具有持续的信息容量，能够反映市场行为的集中与分化。
• 与传统变量的关系：指纹并非传统风格与价量指标的简单重编码，包含相对独立的微观行为信息。
• 时间连续性：指纹具有股票层面的时间连续性，同一股票在不同日期之间的指纹相似度明显高于随机对照。
• 指纹距离的经济含义：指纹距离与未来收益差异和方向一致性之间呈现清晰的单调关系。
• 行为迁移：固定股票群体在不同市场事件中呈现出清晰且具有差异的迁移轨迹，说明WPE能够持续记录交易行为的形成、强化与消退。

CDE结构化收益建模

• 模型结构：将最近20个交易日的WPE指纹与日线价量状态共同输入GRU，并通过AlphaHead和BetaHead分别表达个股收益规律与截面共同收益结构。
• Alpha与Beta的分工逻辑：AlphaHead负责输出正式部署的个股分数，BetaHead则在训练阶段刻画截面共同收益结构。
• 模型部署：正式部署仅使用AlphaHead输出的PureAlpha分数。

指数增强应用与结果

• PureAlpha单因子测试：2021/01/04-2026/07/17期间，PureAlpha的周度RankIC均值为0.078，年化RankICIR为5.66，十分组多空对冲的年化收益为76.94%，信息比率为6.02。
• 中证1000指数增强组合：加入20%的PureAlpha后，组合年化收益为14.05%，相对中证1000指数的超额年化收益为17.30%，信息比率为2.82，月度胜率为78.18%，月度最大回撤为3.17%。
• 中证500指数增强组合：加入20%的PureAlpha后，组合年化收益为14.50%，相对中证500指数的超额年化收益为13.98%，信息比率由2.45提高至2.54，月度胜率由76.36%提高至78.18%，月度最大回撤由3.60%收窄至2.59%。
• 沪深300指数增强组合：加入20%的PureAlpha后，组合年化收益由8.69%下降至7.82%，超额年化收益由10.84%下降至9.98%，信息比率由2.29下降至2.17，月度胜率由69.09%明显提高至80.00%，跟踪误差由4.72%降至4.59%，月度最大回撤由3.90%收窄至3.71%。

研究结论

• WPE指纹模型能够有效描述市场交易行为，并具有稳定的信息结构和经济含义。
• CDE PureAlpha模型能够在控制风格风险的同时，提供稳定的选股信息和超额收益。
• PureAlpha因子在指数增强中具有实际价值，能够改善组合的收益分布和稳定性。
• WPE行为指纹模型为传统量价研究和指数增强策略提供了新的信息来源。

未来研究方向

• 进一步分析五个行为房间和128维指纹空间的经济含义。
• 引入更丰富的下游信息，例如基本面、分析师预期、事件和高频微观结构特征等。
• 引入市场环境信息，对行为指纹进行条件化解读。