量化專題報告：“機器學習”選股模型系列研究（二），量價指紋模型的迭代，行為選股與條件風格收益的協同建模.pdf

全球量化投資領域正經歷從人工因子挖掘向深度學習表示學習的范式轉移，但在實際應用中，端到端模型常因過度擬合歷史風格而面臨失效風險。國盛證券這份報告針對前期量價指紋模型的局限性，提出了一套全新的行為選股與條件風格收益協同建模框架，旨在解決市場風格切換下的模型適應性問題。

核心創新：行為與收益解耦

報告指出，初版模型在預訓練階段引入收益預測任務，導致指紋空間嵌入了訓練期的風格偏好（如低波動、小市值溢價）。當2026年市場風格向高Beta、高流動性科技股切換時，模型表現受損。新版模型WPE（Within-Day Pretrained Encoder）徹底摒棄了收益相關的預訓練目標，轉而預測買方壓力、撤單壓力、委托激進度等六類微觀行為狀態。通過預測未來行為的條件分布而非單點估計，WPE學習了交易行為本身的動力學特征，確保了行為指紋的純凈性與通用性。

結構化建模：Alpha與Beta的協同

下游CDE（Cross Day Evaluator）模型采用雙頭結構，AlphaHead輸出個股選股分數，BetaHead刻畫截面共同收益結構。訓練階段，兩者協同解釋收益；部署階段，僅使用AlphaHead輸出，以避免將方向不確定的共同收益納入預測。這種設計在保留長期穩定收益規律的同時，剝離了短期波動的風格風險，并通過組合優化層進一步控制風格偏離。

實證表現：穩健的超額收益

回測數據顯示，PureAlpha因子在市值和行業中性化后仍保持顯著選股能力。將其與現有端到端因子按8:2組合后，中證1000指數增強組合在2022年至2026年7月期間取得17.30%的超額年化收益，信息比率達2.82。特別是在2026年風格多變的市場環境中，復合組合超額收益顯著提升，驗證了行為指紋在風格切換期的魯棒性。該研究為量化選股提供了從“計算指標”到“學習行為”的新路徑，強調了行為表征在復雜市場環境下的獨特價值。