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.pdf

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。

量价指纹模型的构建：“量价指纹”模型的构建流程遵循了从原始数据处 理到深度语义表征的路径，具体而言，我们围绕分钟特征处理、双任务自 监督学习、防坍缩正则化这 3 个关键环节展开指纹的具体构建： （1）分钟特征预处理：选取 32 维分钟级特征，包括价格特征“（如高、低、 收、价格位置等）与交易特征“（如成交额、挂撤单、资金流等），并分别进 行标准化处理，以消除量纲与历史波动的影响； （2）双任务学习框架：通过前向因果预测任务“（价格特征预测）与后向特 征重建任务（交易特征重建），迫使模型学习市场量价关系的动态语义与 因果结构，生成 128 维日度指纹向量； （3）防坍缩设计：引入多样性、正交性与均匀性正则项，确保指纹向量具 备高区分度、低冗余与信息丰富的特性，避免表征坍塌。

量价指纹模型的端到端应用初探：我们将““量价指纹”作为输入特征，结 合 GRU 模型，对股票的未来收益进行预测。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%； （2）量价指纹可在用常规量价因子构建模型的基础上，提供增量信息；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%。

未来研究展望：量价指纹模型提供了从“特征工程”到“语义理解”的新 思路，本篇报告初步验证了其在市场预测中的有效性。未来将尝试如何深 化指纹语义解析、探索α/β分离建模、推动指纹与传统因子的协同应用， 进一步挖掘指纹中蕴含的丰富信息。