深度学习如何提升手工量价因子表现——利用深度学习解释现有手工选股因子残差方案与实践

国泰海通国泰海通金工研究 2026-05-23 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告提出一种将手工量价因子（高频、低频）加入深度学习模型正交层的方法，以获取与现有因子低相关但选股效果良好的深度残差因子。该方法解决了深度学习黑盒化导致难以人工干预、以及与手工因子多重共线性的问题。放入正交层后的深度因子在全市场多头组合中具有良好增厚效果。

经济逻辑

深度学习模型能挖掘量价数据中的非线性增量信息，但易与传统手工因子重合。通过正交层提取手工因子无法解释的残差收益，在保留深度模型预测能力的同时实现与人工因子的解耦，使得多因子线性合成时权重分配更合理，减少冗余信息干扰。

超额收益逻辑

深度网络通过挖掘非线性的量价特征提取增量Alpha，并通过正交层将可由传统手工因子解释的部分线性剥离，剩余残差代表了市场尚未被传统线性模型捕捉到的定价偏差，由此带来超额收益。

构造细节 [model]

模型架构

主干深度学习网络(如GRU/Transformer等序列模型)提取时序特征，末端输出层连接至正交层。正交层核心计算公式：Y_orth = Y_deep - F(F^T F)^(-1) F^T Y_deep，其中Y_deep为深度网络输出向量，F为正交层输入的手工因子矩阵(N x K)，Y_orth为最终输出的残差因子。通过线性投影保证深度残差因子与手工因子在截面上线性无关。

输入

预处理后的高频/低频量价特征序列目标正交的手工量价因子矩阵

输出

与手工因子正交的深度残差因子值(预期收益预测)

训练

损失函数采用Rank MAE (L = (1/N) * sum(|rank(y_pred) - rank(y_true)|)) 或 IC Loss (L = -cov(y_pred, y_true)/(sigma(y_pred)*sigma(y_true)))。在截面上滚动训练，预测未来短期收益。

数据输入

: (分钟): (日频): (日频)

组合方式

将残差深度因子与手工收益因子、多粒度因子等权或按照优化器合成为多因子组合

绩效

>0.02

IC IR

基准: 手工收益因子/多粒度因子

将高频量价或低频量价手工构建的收益因子放入深度学习模型正交层后，得到的深度因子依然保持0.02以上的IC及6以上的IC IR。在全市场中具有良好选股效果，且与手工因子和多粒度因子相关性较低，共同构建全市场纯多头组合可明显提升表现，但对指数增强组合改善效果有波动。

收益归因

缺口: 受限于深度学习因子对于偏中、大市值股票收益预测能力的不足，对于指数增强组合改善效果并不明显。

稳健性

子样本稳定性: 在小市值股票中表现良好，但在中、大市值股票中预测能力不足

风格偏差: 存在市值风格偏移，偏向中小盘

模型在全市场纯多头组合中增厚明显，但受制于大市值预测能力弱，在指数增强（尤其是大盘指数增强）组合中提升效果存在波动。

数据依赖

所需数据: 分钟频率量价数据、日频量价数据及手工构建的量价因子库

可复现性: medium

数据获取难度适中，但正交层设计、网络结构与超参需自行补充实现，具有一定复现门槛。

新颖性评估 [新方法]

将正交化操作内化为深度学习的网络层，在端到端训练中直接优化因子残差，而非传统的事后正交化处理。

不足与缺陷

对偏中、大市值股票的收益预测能力不足，导致指数增强组合改善效果有限或不稳定
正交层通常采用线性回归形式，仅能剥离线性相关性，深度因子与手工因子间可能仍存在非线性共线性
将手工因子放入正交层可能会过度剥离与手工因子同源的非线性有效Alpha信息，导致深度模型潜力未完全释放

可复用元素

将手工因子正交化操作嵌入深度学习网络层的思路
使用Rank MAE和IC作为Loss函数直接优化因子排序与相关性
对高、低频量价手工因子进行残差提取的对比分析

启发

网络层设计可以用于任何需要控制输出的因子相关性的场景，如行业中性化、市值中性化等均可通过此层实现
深度学习与线性因子模型的融合不应仅限于事后合成，可以通过网络结构设计实现深度融合

改进方向

引入互信息或HSIC正则项替代线性正交层，在Loss中惩罚深度因子与手工因子的非线性相关性。

基于: 基于正交层仅能去除线性相关性的弱点预期收益: 能避免过度截断同源Alpha，同时更彻底地消除非线性共线性，提升多因子组合的稳健性。

针对大市值预测不足的问题，在正交层或损失函数中加入市值加权机制，或在网络中引入市值特征作为条件变量。

基于: 基于对中、大市值股票预测能力不足的弱点预期收益: 提升模型在大盘股上的泛化能力和预测精度，从而改善沪深300等大盘指数增强组合的表现。

复现计划

1. 准备高频/低频量价数据并进行预处理；2. 构建目标手工量价因子；3. 搭建如GRU的深度网络主干；4. 实现正交层：在forward计算中，将网络输出与手工因子矩阵通过矩阵运算计算残差；5. 使用Rank MAE或IC Loss训练模型；6. 导出深度残差因子，计算其与手工因子的相关系数及IC、IC IR指标，构建多头组合验证收益增厚效果。