深度学习赋能因子挖掘2.0：综合应用方案 | 开源金工

开源开源金工 2026-07-08 置信度: high

综合质量 5 /5

新颖性 5 /5

可复现性 4 /5

核心内容

开源金工在1.0版本（LSTM+财务拼接）基础上升级为2.0因子挖掘框架，核心变动在于引入GRU和GAT网络分别挖掘时序与截面信息。在截面网络上，尝试了行业、财务、资金流三大关联网络，其中财务网络多头表现最好。针对三个GAT网络的输出，创新性地采用基于Barra风格因子收益的可学习MLP层进行SA加权融合。此外，报告将特征维度拓展至基础行情(PV)、技术指标和K线状态(G)、大小单资金流(C)、高频数据(HF)及遗传算法因子(DP)，各特征集分离提取信息后合成ML_C因子。最后，将因子自下而上聚合应用于行业轮动、指数增强和结合风格轮动的多头优选。

经济逻辑

市场微观结构包含时序惯性与截面联动。GRU有效提取个股量价时序动态特征；GAT通过构建股票关联图（如财务状态相似、资金流状态相似），将高Alpha属性的邻居节点信息聚合至自身，挖掘截面共振Alpha。不同市场风格下不同网络的贡献不同，因此引入基于过去20日Barra风格收益的SA加权，自适应调整网络权重以应对风格轮动。财务指标由于低频稳健，拼接到深层网络末端与量价特征互补，能有效提升多头组合的稳定性和收益上限。

超额收益逻辑

深度学习网络能高效捕捉非线性时序惯性(GRU)与截面联动(GAT)信息。利用Barra风格收益动态加权GAT网络，能在不同市场风格环境下自适应提取最有效的截面Alpha。将低频稳健的财务数据拼接到深层网络末端而非输入端，避免了财务指标更新慢被时序网络稀释的问题，实现了高低频特征的有效共振，显著提升了多头组合的胜率与超额收益。

构造细节 [model]

模型架构

主干网络为 GRU(输入) + GAT(GRU输出) 的组合。不同特征集分离独立提取，避免相互干扰。GAT包含三种图结构：行业图、财务状态相似图(16态)、资金流状态相似图(20态)。三个GAT网络的输出通过一个输入为过去20日Barra因子收益的可学习MLP层，Softmax归一化得到动态权重进行加权(SA加权)。随后与经过截面标准化的低频财务指标在隐藏层末端进行特征拼接，最终通过MLP全连接层输出因子值。

输入

基础行情(PV)技术指标与K线状态(G)大小单资金流及衍生(C)高频降频特征(HF)遗传算法因子(DP)财务指标(9大类)过去20日Barra风格因子收益

输出

ML_C合成因子值（未来10日预期收益信号）

训练

采取一次性训练，训练集与验证集区间为2010年至2020年，分割比例4:1。预测目标为未来10日收益。网络采用GRU替代LSTM，增加早停次数与注意力头数。不同特征集独立训练后合成。

数据输入

: (日频): (日频): (日频): (分钟/逐笔降至日频): (日频): (财务(低频)): (日频)

组合方式

时序网络提取的隐藏层特征输入至GAT进行截面聚合。三类GAT(行业、财务、资金流)的输出通过SA加权融合：将过去20日Barra因子收益输入可学习MLP层，经Softmax输出权重对三类GAT结果加权。融合后的向量与截面标准化的财务指标拼接，通过全连接层输出因子。各特征集(PV,G,C,HF,DP)分离执行此流程，最终合成ML_C因子。

绩效

14.2%

ML_C因子10日RankIC

26.1%

ML_C因子多头超额收益

72.7%

ML_C因子多空收益

38.52%

全A优选50年化收益

26.18%

中证800+中证1000优选30年化收益

9.27%

行业轮动因子10日RankIC

6.77%

沪深300增强超额年化收益

10.72%

中证500增强超额年化收益

14.41%

中证1000增强超额年化收益

4.95%

上证50增强超额年化收益

基准: 中证全指、沪深300、中证500、中证1000、上证50

回测期: 2020年至今

2.0框架合成的ML_C因子双周频调仓10日RankIC达14.2%，多空收益72.7%，信息比6.1；多头优选组合表现优异，全A优选50年化收益达38.52%；指数增强方面，沪深300、中证500、中证1000增强超额年化收益分别为6.77%、10.72%、14.41%。

收益归因 ✓ 已完成

分析了未来10日RankIC与过去20日Barra因子收益的相关性，发现在大市值、高成长、强动量占优的市场中不同网络表现存在差异。基于此，采用输入Barra风格因子收益的可学习MLP层结合Softmax归一化（SA加权）来融合不同GAT关联网络的因子输出。

方法: Barra风格因子收益相关性分析及SA加权融合

缺口: 主要聚焦于利用Barra风格收益作为元信息进行网络权重的动态分配与融合，未详细展示合成因子相对传统Barra风险因子的纯因子归因及收益分解明细。

稳健性

子样本稳定性: 在沪深300、中证500、中证1000、上证50等不同宽基指数成分股内均能产生稳定的超额增强收益

风格偏差: 通过SA加权机制动态调整不同GAT网络权重，有效缓解了单一网络对特定风格（如大市值或强动量）的过度暴露

模型通过多特征集分离提取、风格自适应加权以及基本面特征末端融合，显著降低了风格漂移带来的回撤风险，在多头端和不同宽基样本中均表现出高鲁棒性。

数据依赖

所需数据: 基础日频量价、分钟及逐笔高频数据、日频大小单资金流、财务报表数据、遗传算法因子库及Barra风格因子收益序列

可复现性: hard

依赖非常全面且多维的金融数据源，尤其是高频逐笔数据降频和遗传算法因子库的构建门槛较高。同时复杂的GRU+GAT及SA加权网络需要深度学习经验及高性能算力支持，复现难度较高。

新颖性评估 [新组合]

报告创新性地将GRU和GAT结合挖掘量价与截面信息，并设计了输入为Barra风格因子收益的可学习MLP(SA加权)来动态融合不同关联网络的输出。同时采用多特征集分离提取再合成的框架，有效整合了技术面、资金流、高频及遗传规划等多种Alpha来源。

不足与缺陷

网络结构和特征融合方式高度黑盒，可解释性较差
SA加权使用的Barra风格因子收益为过去20日，存在一定滞后性，在风格极端反转时可能误判
多种特征集独立提取后简单合成，计算资源消耗较大，且可能存在信息冗余
缺少对交易成本和冲击成本的详细考量，双周频调仓高换手率可能导致实盘衰减

可复用元素

基于Barra风格因子收益的可学习MLP层(SA加权)动态调整子网络权重的设计思路
多特征集分离提取信息，在最终输出因子前再合成以避免相互干扰的网络架构
将低频财务特征截面标准化后拼接到隐藏层末端而非作为初始输入的特征融合技巧
大小单资金流基于4个判断问题构建状态变量的特征工程方法

启发

可将SA加权思想推广至多模型或多周期的动态集成，使用更实时的市场状态指标替代滞后的Barra收益
GAT的关联网络不仅限于财务和资金流，可拓展至供应链、高管网络、同概念题材等新型关联维度
特征分离提取网络的设计可用于解决多源异构数据（如文本情感与量价）的联合建模问题

改进方向

使用动态图神经网络(Dynamic GNN)或时序Transformer替代当前的GRU+静态GAT组合，直接对动态演变的股票关联图进行端到端建模

基于: GAT关联网络与GRU时序网络的结合逻辑预期收益: 能够更敏锐地捕捉股票间关系的动态变化与时序演化，提升截面Alpha挖掘的时效性，减少滞后权重分配带来的回撤

引入对比学习对多特征集进行预训练，在特征空间内拉近相似股票表征，再输入下游因子生成网络

基于: 多特征集分离训练与合成的架构预期收益: 提升不同特征集表征的鲁棒性，减少冗余计算，可能在小样本或极端行情下提升模型泛化能力

复现计划

1. 准备2010年至今的全A股票基础行情(PV)、大小单资金流(C)、高频数据(HF)及财务报表数据；2. 复现遗传算法生成DP特征集，并基于PV衍生G特征集；3. 按照报告定义构建行业、财务16态、资金流20态三大股票关联图；4. 搭建GRU+GAT主干网络，各特征集分别独立训练，对3类GAT输出层引入输入为过去20日Barra收益的MLP层进行Softmax加权融合；5. 将截面标准化的财务指标拼接到融合后的隐藏层，通过全连接层输出各特征集因子；6. 设置2010-2020年为训练验证集(4:1)，预测目标10日收益，增加早停与注意力头数；7. 合成各特征集因子为ML_C因子，进行市值行业中性化后，按双周频调仓测试10分组绩效，并验证指数增强与多头优选效果。

实体

魏建榕 [person]盛少成 [person]GRU [model]GAT [model]MLP [model]LSTM [model]遗传算法 [method]强化学习SAC [method]SA加权 [concept]ML_C因子 [factor]Alpha185因子集 [factor]收益率牵引因子 [factor]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY