聚焦“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。初版模型验证了行为指纹在收益预测和指数增强中的应用潜力,但进一步研究发现,若在预训练阶段直接引入收益方向目标,指纹可能同时记录交易行为和训练期收益偏好,在市场风格切换时影响表征的适应能力。将基于国盛金工量价因子簇端到端模型构建的因子与指纹 PureAlpha 因子按 8:2 组合后,中证 1000 指数增强组合取得 17.30%的超额年化收益,信息比率为 2.82,月度胜率为78.18%,月度最大回撤为 3.17%;2026 年截至 7 月 17 日,超额收益由纯端到端模型的 4.72%提高至 8.26%。经过市值和行业中性化后,因子周度 RankIC 均值仍达到 0.070,表明行为指纹能够在相同行业和相近市值股票内部形成有效排序。
聚焦“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。初版模型验证了行为指纹在收益预测和指数增强中的应用潜力,但进一步研究发现,若在预训练阶段直接引入收益方向目标,指纹可能同时记录交易行为和训练期收益偏好,在市场风格切换时影响表征的适应能力。将基于国盛金工量价因子簇端到端模型构建的因子与指纹 PureAlpha 因子按 8:2 组合后,中证 1000 指数增强组合取得 17.30%的超额年化收益,信息比率为 2.82,月度胜率为78.18%,月度最大回撤为 3.17%;2026 年截至 7 月 17 日,超额收益由纯端到端模型的 4.72%提高至 8.26%。经过市值和行业中性化后,因子周度 RankIC 均值仍达到 0.070,表明行为指纹能够在相同行业和相近市值股票内部形成有效排序。
聚焦“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。初版模型验证了行为指纹在收益预测和指数增强中的应用潜力,但进一步研究发现,若在预训练阶段直接引入收益方向目标,指纹可能同时记录交易行为和训练期收益偏好,在市场风格切换时影响表征的适应能力。将基于国盛金工量价因子簇端到端模型构建的因子与指纹 PureAlpha 因子按 8:2 组合后,中证 1000 指数增强组合取得 17.30%的超额年化收益,信息比率为 2.82,月度胜率为78.18%,月度最大回撤为 3.17%;2026 年截至 7 月 17 日,超额收益由纯端到端模型的 4.72%提高至 8.26%。经过市值和行业中性化后,因子周度 RankIC 均值仍达到 0.070,表明行为指纹能够在相同行业和相近市值股票内部形成有效排序。核心数据:将基于国盛金工量价因子簇端到端模型构建的因子与指纹 PureAlpha 因子按 8:2 组合后,中证 1000 指数增强组合取得 17.30%的超额年化收益,信息比率为 2.82,月度胜率为78.18%,月度最大回撤为 3.17%;2026 年截至 7 月 17 日,超额收益由纯端到端模型的 4.72%提高至 8.26%;WPE 行为指纹的构建:本报告构建日内预训练编码器 WPE,以每只股票每日 237 分钟、62 项价格和微观交易特征为输入,通过预测后续买方压力、撤单压力、委托激进度、大资金参与、波动状态和流动性状态,学习128 维日级行为指纹。
本报告由国盛证券发布,发布于 2026 年。
覆盖 2026 年。
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“机器学习”选股模型系列研究、量价指纹模型的迭代等议题。