量化專題報告：“機器學習”選股模型系列研究（一），量價指紋模型的構建與應用初探.pdf

量化專題報告：“機器學習”選股模型系列研究（一），量價指紋模型的構建與應用初探。前言：本篇報告借鑒大語言模型的語義理解思想，提出““量價指紋”的概 念，將市場交易數據視為一種特殊““語言”，通過自監督學習，理解、提取 日內量價行為中蘊含的特征，并在端到端深度學習模型中做了初步應用。

量價指紋模型的構建：“量價指紋”模型的構建流程遵循了從原始數據處 理到深度語義表征的路徑，具體而言，我們圍繞分鐘特征處理、雙任務自 監督學習、防坍縮正則化這 3 個關鍵環節展開指紋的具體構建： （1）分鐘特征預處理：選取 32 維分鐘級特征，包括價格特征“（如高、低、 收、價格位置等）與交易特征“（如成交額、掛撤單、資金流等），并分別進 行標準化處理，以消除量綱與歷史波動的影響； （2）雙任務學習框架：通過前向因果預測任務“（價格特征預測）與后向特 征重建任務（交易特征重建），迫使模型學習市場量價關系的動態語義與 因果結構，生成 128 維日度指紋向量； （3）防坍縮設計：引入多樣性、正交性與均勻性正則項，確保指紋向量具 備高區分度、低冗余與信息豐富的特性，避免表征坍塌。

量價指紋模型的端到端應用初探：我們將““量價指紋”作為輸入特征，結 合 GRU 模型，對股票的未來收益進行預測。測試結果表明： （1）僅使用量價指紋進行模型訓練得到的因子，具備一定的預測能力， 2017/01/01-2025/12/31，因子的周度 RankIC 均值為 0.106，全市場 10 分組多空對沖的年化收益為 83.88%，信息比率為 5.41，最大回撤為 11.65%； （2）量價指紋可在用常規量價因子構建模型的基礎上，提供增量信息；將 量價指紋與量價因子融合訓練的雙流 GRU 模型，進一步提升了預測能力， 融合因子的周度 RankIC 均值為 0.109，全市場 10 分組多空對沖的年化收 益為 90.89%，信息比率 5.95，最大回撤為 11.54%； （3）基于融合因子構建的指數增強組合，在較為嚴格的風險約束條件下， 仍能取得穩定、可觀的超額收益，如滬深 300 指數增強組合的超額年化收 益為 7.12%，跟蹤誤差為 1.74%，信息比率為 4.10，月度勝率為 86.11%， 最大回撤為 1.85%。

未來研究展望：量價指紋模型提供了從“特征工程”到“語義理解”的新 思路，本篇報告初步驗證了其在市場預測中的有效性。未來將嘗試如何深 化指紋語義解析、探索α/β分離建模、推動指紋與傳統因子的協同應用， 進一步挖掘指紋中蘊含的豐富信息。