量价指纹模型迭代：行为选股与条件风格收益协同建模

研究背景与模型迭代逻辑

随着人工智能技术在金融领域的深入应用，研究范式正从人工定义特征向自主学习表示转变。前期研究提出的量价指纹模型虽验证了行为表征在收益预测中的潜力，但在市场风格剧烈切换时表现出适应性不足。主要原因在于初版模型在预训练阶段直接引入收益方向目标，导致指纹空间嵌入了训练期的风格偏好。当市场环境发生系统性反转时，这种历史收益映射削弱了指纹作为通用行为表征的适应能力。为此，本报告对量价指纹模型进行系统迭代，核心思路是将行为表征与收益预测职责分离。指纹预训练不再接触未来收益，而是专注于描述交易行为动力学；下游模型则负责将行为信息转化为结构化的选股信号，以兼顾信号稳定性与收益厚度。

WPE行为指纹的构建与表征特征

新版模型构建了日内预训练编码器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。这些特征覆盖价格路径、成交流、参与者结构、挂单供给及撤单状态等多个层次。WPE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。预训练过程不使用未来股票收益，而是基于已发生的分钟序列预测未来行为的条件分布，从而避免将历史收益偏好固化进指纹空间。

为提高表征空间的信息组织能力，WPE引入五个行为房间、行为一致性和房间正交约束。五个房间分别对应资金流、参与者、流动性、波动率和撤单行为，不同预测任务通过相应房间读取信息。实证检验显示，WPE指纹具有持续的信息容量，传统风格、行业和技术指标仅能解释约12%-22%的指纹截面差异，表明其包含大量独立于传统变量的微观行为信息。此外，指纹具有股票层面的时间连续性，且指纹距离与未来收益差异及方向一致性呈现清晰单调关系，证实了其几何结构的经济含义。

CDE结构化收益建模机制

在下游应用中，报告构建了CDE框架，将最近20个交易日的WPE指纹与日线价量状态共同输入GRU。模型设置AlphaHead和BetaHead两个输出分支，分别表达个股收益规律与截面共同收益结构。AlphaHead负责输出正式部署的个股分数，学习能够由历史行为状态稳定解释的选股信息；BetaHead则在训练阶段为截面共同变化提供独立表达通道，识别动态生成的共同收益方向。

这种设计并非机械剔除所有风格信息，而是在风格内个股选择与条件风格收益之间寻求平衡。训练期内长期重复出现且能由当前行为状态解释的收益规律可进入AlphaHead，而方向随环境变化的共同收益则由BetaHead刻画。正式部署时仅使用AlphaHead输出，并由组合优化层控制最终行业和风格偏离。这一机制旨在缓解单一预测同时承担全部个股差异与共同行情解释的压力，降低对短期风格方向判断的依赖。

模型表现与指数增强应用效果

回测数据显示，PureAlpha因子的周度RankIC均值为0.078，年化RankICIR为5.66，十分组多空组合年化收益为76.94%。经过市值和行业中性化后，因子仍保持有效排序能力，证明其具备独立的风格内选股基础。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比例组合后，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%。特别是在2026年市场风格多变的环境下，复合因子组合的超额收益显著优于纯端到端模型，显示出行为指纹在风格切换期的稳健性。

跨指数测试表明，PureAlpha的增量价值存在股票池差异。在中证500中，加入PureAlpha后超额收益和信息比率均有提升，且最大回撤收窄；在沪深300中，虽然长期收益中枢未显著提高，但月度胜率大幅提升，跟踪误差和最大回撤改善，体现了其在提升组合稳定性方面的作用。Barra风格暴露分析进一步揭示，PureAlpha的风格偏好随市场环境动态调整，从低波动、低流动性向高Beta、高流动性迁移，反映了模型对行为-收益映射关系的条件化解读能力。