量化专题报告：“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.pdf

全球量化投资领域正经历从人工因子挖掘向深度学习表示学习的范式转移，但在实际应用中，端到端模型常因过度拟合历史风格而面临失效风险。国盛证券这份报告针对前期量价指纹模型的局限性，提出了一套全新的行为选股与条件风格收益协同建模框架，旨在解决市场风格切换下的模型适应性问题。

核心创新：行为与收益解耦

报告指出，初版模型在预训练阶段引入收益预测任务，导致指纹空间嵌入了训练期的风格偏好（如低波动、小市值溢价）。当2026年市场风格向高Beta、高流动性科技股切换时，模型表现受损。新版模型WPE（Within-Day Pretrained Encoder）彻底摒弃了收益相关的预训练目标，转而预测买方压力、撤单压力、委托激进度等六类微观行为状态。通过预测未来行为的条件分布而非单点估计，WPE学习了交易行为本身的动力学特征，确保了行为指纹的纯净性与通用性。

结构化建模：Alpha与Beta的协同

下游CDE（Cross Day Evaluator）模型采用双头结构，AlphaHead输出个股选股分数，BetaHead刻画截面共同收益结构。训练阶段，两者协同解释收益；部署阶段，仅使用AlphaHead输出，以避免将方向不确定的共同收益纳入预测。这种设计在保留长期稳定收益规律的同时，剥离了短期波动的风格风险，并通过组合优化层进一步控制风格偏离。

实证表现：稳健的超额收益

回测数据显示，PureAlpha因子在市值和行业中性化后仍保持显著选股能力。将其与现有端到端因子按8:2组合后，中证1000指数增强组合在2022年至2026年7月期间取得17.30%的超额年化收益，信息比率达2.82。特别是在2026年风格多变的市场环境中，复合组合超额收益显著提升，验证了行为指纹在风格切换期的鲁棒性。该研究为量化选股提供了从“计算指标”到“学习行为”的新路径，强调了行为表征在复杂市场环境下的独特价值。