聚焦量化专题报告:“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。前言:本篇报告借鉴大语言模型的语义理解思想,提出““量价指纹”的概念,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,并在端到端深度学习模型中做了初步应用。测试结果表明:(1)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%。
聚焦量化专题报告:“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。前言:本篇报告借鉴大语言模型的语义理解思想,提出““量价指纹”的概念,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,并在端到端深度学习模型中做了初步应用。测试结果表明:(1)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%。
聚焦量化专题报告:“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。前言:本篇报告借鉴大语言模型的语义理解思想,提出““量价指纹”的概念,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,并在端到端深度学习模型中做了初步应用。测试结果表明:(1)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%。核心数据:测试结果表明:(1)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%;将量价指纹与量价因子融合训练的双流 GRU 模型,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)基于融合因子构建的指数增强组合,在较为严格的风险约束条件下,仍能取得稳定、可观的超额收益,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%。
本报告由国盛证券发布,发布于 2026 年。
覆盖 2026 年,全文共 24 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了量化、量化专题报告、“机器学习”选股模型系列研究等议题。