基于Mamba2模型的端到端选股框架

国金高智威 2026-05-13 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

本文创新性地将Mamba-2模型加入端到端选股框架。Mamba-2通过SSD（半可分离矩阵）将状态空间模型（SSM）计算重写为矩阵乘+少量结构化算子，获得与GPU硬件高度匹配的输入输出优势。在10分钟、30分钟、60分钟和日频四种量价数据上的测试表明，Mamba2在日频上整体优于GRU，高频上优势收敛，且两者截面信号相关性约70%-80%，具备互补性。此外，通过引入三大宽基指数点位、交易日时间信息、基于Barra的市场风格指数3种个股不变的市场整体信息，模型能够自适应区分不同市场环境。最终构建二层合成架构，多空年化收益与夏普比率持续抬升且波动率未放大。

经济逻辑

在仅以单票OHLCV为输入的端到端预测中，模型难以区分“普涨/普跌”与“结构分化”两类行情，导致相同截面排序在不同市场环境下收益差异巨大。引入个股不变的市场整体状态（大盘点位、时间周期、市场风格）作为附加输入，可以让模型在不同市场相位下自适应调整对单票信号的响应强度。同时，不同模型（Mamba2与GRU）和不同频率的数据在提取时序特征时具有差异性，合成后能带来真实Alpha增量而非杠杆放大。

超额收益逻辑

超额收益来源于：1）Mamba2通过选择性状态压缩与SSD并行计算，能更高效提取长序列量价特征，尤其在日频上表现突出；2）GRU与Mamba2不同频率信号相关性70%-80%，非冗余，合成带来增量信息与风格分散；3）引入市场整体信息（宽基指数点位等）使模型能区分普涨普跌与结构分化行情，自适应调整响应强度；4）多空年化收益率与夏普比率在合成后持续抬升而波动率未同步放大，说明Alpha增量真实有效。

构造细节 [model]

模型架构

GRU：经典门控循环单元，输入为标准化OHLCV量价数据+市场整体信息（宽基点位/时间/Barra风格），输出为截面预测值。Mamba2：基于结构化状态空间模型（SSM），采用半可分离矩阵（SSD）分解。核心做法：1）将大矩阵M切分为T/Q×T/Q子网格，每个子矩阵大小Q×Q；2）按对角块、低秩块（Input→State、State→State、State→Output）结构化分解；3）对角块经SSD二次形式计算，低秩块batched matmul并行，1-SS矩阵部分类比SSM-scan处理；4）网络层面，将并行投影从“以SSM为中心的X→Y映射”改造为“从A、X、B、C→Y的并行生成”；5）在块的最终输出投影前加入额外归一化以缓解大规模训练不稳定。LGBM：作为二层合成模型，输入为各模型截面信号与传统因子库。

输入

标准化后的个股OHLCV量价数据（10分钟/30分钟/60分钟/日频）三大宽基指数点位信息当前交易日时间信息（周几、月几、周中具体日期）基于Barra因子构建的市场风格指数GJQuant因子库

输出

个股下一期截面收益率预测值（排序信号）

训练

训练集2005-2015，验证集2016-2017，采用早停防止过拟合。Mamba2利用GPU张量核心进行张量并行训练，通过SSD分解优化矩阵计算。GRU采用标准RNN训练方式。LGBM作为第二层合成模型进行监督学习。

数据输入

: (10分钟/30分钟/60分钟/日频): (日频): (日频): (日频): (日频)

组合方式

采用二层架构：第一层为GRU（4个频率）+Mamba2（3个频率，日频/60分/30分），GRU4频输入基础上引入三大宽基指数点位信息；第二层将第一层各模型输出与GJQuant因子库共同输入LightGBM（LGBM）进行合成，输出最终选股信号。

绩效

9.99%

沪深300指增年化超额

12.20%

中证500指增年化超额

20.65%

中证1000指增年化超额

1.88

沪深300信息比率

2.24

中证500信息比率

3.31

中证1000信息比率

基准: 沪深300、中证500、中证1000

回测期: 2018-01-31至2025-10-30

构建了“GRU（4频）+Mamba2（3频）+GJQuant因子→LGBM”的二层合成架构，三大宽基的指数增强策略均取得显著超额收益，多空年化收益率与夏普比率在合成后持续抬升，且多空波动率未同步放大。

收益归因

研报未对超额收益进行具体的因子或风格归因分析，重点在于对比不同深度学习模型及合成架构的效果表现。

缺口: 缺乏详细的归因分析，如行业暴露、风格暴露或具体因子贡献度的测算。

稳健性

子样本稳定性: 不同频率表现差异显著，日频Mamba2优势明显，60分钟频与GRU不分伯仲，30分钟频在沪深300上有优化，10分钟频优势显著收敛。超额主要在2023-2025年度显著累积。

风格偏差: 引入了Barra风格指数作为附加输入，但未进行详细归因分析。时间信息与Barra风格信息在GRU上未带来稳定增益，三大宽基指数信息提升最为显著。

模型在日频与60分钟频上表现稳定，但10分钟频受噪声影响大。三大宽基指增策略最大回撤显著小于指数本身，表现出较好的回撤控制能力。但缺乏详细归因分析，风格暴露情况不明。

数据依赖

所需数据: 个股OHLCV量价数据（10分钟/30分钟/60分钟/日频）、三大宽基指数点位、交易日历、Barra风险因子、GJQuant因子库

可复现性: hard

所需数据包括高频量价数据与Barra因子，GJQuant因子库为机构专有，外部难以获取。Mamba2与GRU网络超参数未详细披露，SSD分块参数Q等关键参数未明确，复现难度较高。

新颖性评估 [新组合]

创新点在于将最新Mamba2模型引入金融选股领域，并构建了“多模型×多频率×传统因子→LGBM”的二层合成架构，同时引入市场整体状态信息作为附加输入以解决端到端模型难以区分市场环境的问题。

不足与缺陷

模型网络结构与超参数（如层数、隐藏层维度、SSD分块参数Q、序列长度等）未详细披露，可复现性不足。
缺乏详细的归因分析，无法判断超额收益来源于行业暴露、风格暴露还是个股选择。
交易成本设定未明确，高频策略对成本敏感，可能影响实际收益。
10分钟频与30分钟频策略表现不稳定，高频Alpha可得性受限。
GJQuant因子库为机构专有，外部研究者难以完全复现第二层合成。
未与传统线性多因子模型进行对比，难以评估深度学习模型的绝对增量。

可复用元素

Mamba2模型在日频选股上相对GRU的优势验证。
GRU与Mamba2在不同频率下截面信号相关性70%-80%的测算结果。
三类市场整体信息（宽基点位、时间、Barra风格）的构造方法，尤其是宽基指数点位附加输入提升显著。
二层合成架构（GRU4频+Mamba2 3频+GJQuant→LGBM）的设计思路。
Mamba2中SSD分解的具体做法（对角块、低秩块分解）与额外归一化技巧。

启发

引入市场整体状态信息作为附加输入，可帮助端到端模型区分普涨普跌与结构分化行情，提升自适应能力。
多模型多频率信号合成可带来真实Alpha增量，且不放大波动率，具备分散化价值。
Mamba2的SSD结构为金融高频时序建模提供了新的高性价比方案。
在模型块输出投影前加入额外归一化可缓解大规模训练不稳定。

改进方向

用轻量级Transformer（如Informer或PatchTST）替代Mamba2或与Mamba2进一步合成，或使用频域分解（小波变换）先对高频量价数据去噪后再输入模型。

基于: GRU与Mamba2截面信号相关性70%-80%，存在互补空间；10分钟频受噪声影响大。预期收益: 提升高频选股的IC与多头超额收益，进一步丰富合成层信号多样性。

基于隐马尔可夫模型（HMM）或聚类算法将市场分为多个状态（牛市/熊市/震荡市），在每个状态下分别训练或动态调整模型权重，替代简单附加市场信息的做法。

基于: 引入市场整体信息以让模型“学会差异”的思路。预期收益: 更精细捕捉市场状态切换，提升模型自适应能力与回撤控制。

在LGBM合成层之后引入截面中性化与行业/风格约束的组合优化器，而非直接根据预测值排序选股。

基于: 缺乏归因分析，无法判断超额收益来源。预期收益: 控制策略的风格暴露与回撤，提升稳健性与可解释性。

复现计划

1) 数据准备：获取A股全市场OHLCV数据（10分钟、30分钟、60分钟、日频）、三大宽基指数点位、日历数据、Barra风险因子；2) 附加信息构造：按文中描述构造时间特征与Barra风格指数（选300只股票按风险因子排序选头部/尾部）；3) 模型训练：搭建Mamba2与GRU模型，输入为标准化量价数据+市场信息，目标为下一期收益率预测，训练集2005-2015，验证集2016-2017；4) 合成层训练：将第一层各模型在训练集上的输出与因子库（可用开源因子替代GJQuant）共同作为特征，训练LGBM；5) 回测：在2018-2025年区间内以10日频率调仓，统计IC、多头超额、多空收益等指标，与文中结果对比。