国盛金工量价指纹模型的构建与应用初探 2026年度量化专题

量价指纹模型的构建与应用初探

核心观点
国盛精工提出了一种基于大模型和Transformer的量价指纹模型，旨在通过将股票高频量价数据视为文本，利用大模型进行特征提取，生成高维但信息密度高的指纹向量，为量化选股提供新的增量信息。

模型构建

1. 数据准备：使用每10分钟的分钟级量价数据，包括价格特征（高低开、收盘价等）、交易特征（成交量、成交额、成交笔数等）以及主笔交易数据（主买主卖、挂单撤单等），并进行标准化处理。
2. 模型架构：采用自监督学习框架，包含前向任务和后向任务：
   • 前向任务：预测下一分钟的价格特征（高开低收等）。
   • 后向任务：参考BERT的完形填空方法，随机遮盖部分资金流特征，让模型尝试还原。
   • 编码器：4层Transformer编码器，结合固定正交投影层和因果掩码确保模型无法看到未来信息。
   • 解码器：双分支结构，分别输出价格预测和资金流还原结果。
3. 损失函数：包含前向任务损失、后向任务损失，以及多样性损失、均匀性损失和正交性约束，共五项。
4. 训练策略：使用过去3年数据预训练，样本外滚动生成指纹向量，每年微调参数以保持维度含义稳定。

实证结果

1. 因子相关性：指纹向量与现有137个量价因子的相关性较低，说明其提供增量信息。
2. 模型表现：
   • 单模型回测：指纹向量模型的Rank IC和年化收益与因子簇模型接近，但在24年回撤后反弹表现更优。
   • 融合模型：将指纹向量与因子簇模型融合后，Rank IC提升至0.109，年化收益和回撤控制均改善。
3. 指数增强：指纹向量在300、500、1000指数量化组合中均表现稳定，300指组合年化收益11%，超额年化7.2%，信息比率4.1；1000指组合年化收益13%，超额年化14.2%，信息比率4.3。

研究结论

• 量价指纹模型能有效提取高维、低相关性的股票行为特征，与现有模型存在显著差异，可提供增量Alpha。
• 融合指纹向量可进一步优化模型表现，改善回撤控制。
• 该模型在多种指数增强策略中均表现稳定，具有实际应用价值。
• 未来可进一步探索指纹向量的聚类分析、Alpha-Beta分离及风险因子提取等应用。

后续计划
国盛精工已基于此模型进行改进，并形成新的研究报告，将在后续专题中汇报。