2026年市场微观结构系列（32）：深度学习赋能因子挖掘2.0，综合应用方案

开源金工因子挖掘 2.0 模型框架概览

在《深度学习赋能交易行为因子》，我们初步提出了 LSTM 因子挖掘框架，归纳 为两步：1、日度变化类指标通过 LSTM，提取隐藏层；2、财务指标截面标准化后 拼接在其后，再通过 MLP 输出为最终的因子。 随着深度学习研究的向前推进，本篇报告将对 1.0 版本的因子挖掘框架做了重要 升级，开源金工因子挖掘 2.0 版本的三大亮点是：1、变量的丰富：六大类特征概览 ；2、网络的迭代：在挖掘时序信息的 RNN 网络基础上，加入了挖掘截面 信息的 GAT 网络（除此之外，不同特征集在联合挖掘时，需分离信息提取网络，在 最终输出因子前再合成）；3、应用的升级： 广泛涉及指数增强、多头优选、行业轮 动等应用领域。开源金工因子挖掘 2.0 版本的流程概览。

基础行情测试模型有效性

对于不同的特征集而言，其最适用的模型有所差别。本文中，我们先使用维度 最少的基础行情初步敲定，其他特征集在此基础上进行调整。 对于本文在训练时的参数和细节而言，整体保持与 1.0 版本一致，有几点区别这 里列示如下： 1、随着市场轮动速度加快，机构的调仓频率也在提升。因此本文的预测收益周 期缩短，从 20 日变为 10 日，但依旧需要市值行业中性化。后续因子和组合测试如 无明确说明，皆为双周频调仓； 2、对于每年滚动训练的方式而言，在市场发生极端变化时，验证集的评判效果 大打折扣。本文采取一次性的训练，训练集和验证集的时间区间为 2010 年至 2020 年，分割比例为 4：1； 3、早停的次数增加，RNN 网络的注意力头数增加； 4、对于不同特征集而言，若要联合挖掘，需分离信息提取网络，在最终输出因 子前再合成。

2.1、 时序信息挖掘网络RNN 的选择

RNN 常见为 3 种：GRU、LSTM、TransFormer。考虑到本文后续测试的变量较 多，TransFormer 耗时较长，这里不予考虑。（回测设置如下：1、需剔除 ST、停牌、上市不满 60 天 的股票；2、因子需进行市值行业中性化；3、调仓频率为双周，分组数为 10；4、若 为全市场回测，计算多头超额时，基准为中证全指；若为宽基内回测，计算多头超 额时，基准为对应的宽基指数。下文回测参数保持不变）

2.2、 截面信息挖掘 GAT 的关联网络选择

在 GAT 网络中，股票间的关联关系可以人为界定。本文中，我们考虑了 3 种关 联：1、行业关联网络；2、财务关联网络；3、资金流关联网络。选择这三大类网络 主要是想验证如下两个猜想：1、在量价主导的因子挖掘中，我们一直在尝试加入基 本面信息，观察是否能够提升多头绩效，这里也不例外；2、已经能够挖掘出优质人 工因子的关联网络，是否在深度学习挖掘中也是更优的。 对于财务关联网络，我们围绕“股票收益=估值提升+盈利+分红”，使用分红、估值、成长、盈利几大维度将股票划分为 16 种状态。 资金流关联网络参照《从小单资金流行为到股票关联网络》（魏建榕，王志豪， 2022 年），但是略微有些区别，具体定义方式为：在每个交易日，回看过去 20 个交 易日，计算小单净流入强度，并按照强度大小将股票分为 20 种状态。 值得一提的是，基于资金流关联网络，收益率的牵引因子就具备一定选股效果， 双周频调仓下 RankIC 为 2.3%，10 分组收益如图 2 所示。（收益率牵引因子：针对某 只股票 A，找到与其同状态的股票集，计算该股票集收益平均值，再回归掉股票 A 自身收益，残差即股票 A 的因子值） 其实，收益率牵引因子的计算过程是 GAT 网络挖掘因子的雏形，GAT 网络本质 也是将邻居节点的特征聚合至自身，从而挖掘截面股票间的 alpha 信息。

2.3、 时序和截面网络的合并

在上述两个部分，我们分别确定了时序信息挖掘网络 GRU、GAT 网络的关联网 络。在网络的连接设计上，我们采取的方式为：GRU（输入）+ GAT（GRU（输入））。其中，采用 “GRU+GAT_行业”模型的绩效 RankIC 最低，采用“GRU+GAT_财务”模型的多 头绩效相对最优。

2.4、 GRU+GAT 网络在不同关联网络下的融合方案

我们可以看出：等权合成后绩效并无明显提升。对于上述三 大关联网络而言，本文采取的融合方式为：在训练时加入一层可学习的 mlp 层，输 出进行 softmax 归一化，得到三大网络的权重。对于 mlp 层的输入端，本文选择 Barra 风格因子的收益。后文将这种方法统一简称为：SA 加权。 我们采取这样的做法原因在于：在三个因子挖掘过程中，未来 10 日 RankIC 与 过去 20 日 Barra 因子收益存在一定特定相关性，比如在大市值、高成长、强动量占 优的市场中，基于“GRU+GAT_财务”得到的因子，绩效会好于基于“GRU+GAT_ 行业”得到的因子。我们不难发现：SA 加权下的因子无论是 RankIC、多空 对冲还是多头超额，绩效都略优于等权。

2.5、 考虑财务指标对多头绩效有一定程度提升

在《深度学习赋能交易行为因子挖掘中》，对于财务数据，考虑到其时序变化较 慢，我们并没有将其和日度变化的量价类指标一起作为初始输入层数据，而是将其 截面标准化后，放入输出层前一层，和量价类指标通过隐藏层后的神经元进行拼接， 一起通过全连接层输出为最后的因子。

在本篇报告中，我们依旧使用财务来增强因子表现，依旧将其放在输出层前一 层，和量价类指标通过 GRU 和 GAT 后的神经元进行拼接，一起通过全连接层输出 为最后的因子。