因子切割论与深度学习的结合应用 | 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 4 /5

可复现性 4 /5

核心内容

本报告将开源金工的因子切割论思想与深度学习结合，提出双分支差异网络模型（DBD-GRU）。模型将切割指标作为掩码生成器，将切割对象分别输入两个并行的GRU分支，提取最后一个时间步的隐藏状态差异作为特征输出。该模型应用于理想振幅、理想反转、主动买卖因子，相较原始切割论因子和基线GRU模型表现更优，且通过正交化检验证实了模型提供了非线性的信息增量而非简单叠加。

经济逻辑

投资者在不同市场环境（如大单交易密集、高价态或低价态）下的交易行为存在显著差异，导致量价信息在时间轴上的分布不均匀。通过特定切割指标（如单笔成交金额、收盘价）分离出不同的市场状态，并通过相减操作提取状态间的行为差异，能够滤除噪音并提纯核心的预测信号（如反转效应）。将此逻辑硬编码入神经网络结构，结合了先验逻辑的强解释性与深度学习的非线性拟合能力。

超额收益逻辑

反转效应来源于投资者的跟风效应与过度反应，在大单交易更多的时候，这类行为也会更多，使得后续的反转效应更强。DBD-GRU模型通过掩码机制有效区分这种不同环境下的行为差异，并通过双分支网络提取非线性差异特征，提取了纯粹的'行为差异'信息，相较于线性相减的原始因子具有更强的信息提纯能力。

构造细节 [model]

模型架构

双分支差异网络(Dual-Branch Difference GRU)。包含两个并行的GRU网络(GRU_high和GRU_low)。输入端通过特征A的中位数阈值生成掩码(mask_Ahigh, mask_Alow)分别作用于输入特征。网络末端取两个GRU最后一个时间步的隐藏状态进行相减，将差值输入输出层。

输入

特征A (切割指标，如单笔成交金额等，用于生成掩码)特征B (切割对象，如涨跌幅等)

输出

股票未来收益预测值/因子值

训练

以5年为窗口滚动训练，每年年底更新。使用A股2010.01~2025.05数据。按周抽样(每周最后一个交易日回溯过去20日)构建训练集以提升效率。

数据输入

: (日频): (日频)

组合方式

对称正交处理后等权合成得到DBD-Combine因子

绩效

-10.33%

理想振幅-DBD RankIC

-10.3%

理想反转-DBD RankIC

-9.8%

主动买卖-DBD RankIC

37.62%

理想反转-DBD 多空年化收益

-5.76%

DBD-Combine 沪深300 RankIC

-7.40%

DBD-Combine 中证500 RankIC

-9.84%

DBD-Combine 中证1000 RankIC

7.64%

沪深300指增超额年化收益

1.84

沪深300指增超额IR

7.23%

中证500指增超额年化收益

1.37

中证500指增超额IR

11.8%

中证1000指增超额年化收益

2.21

中证1000指增超额IR

基准: 沪深300/中证500/中证1000指数

回测期: 201412~202505

DBD-GRU模型将因子切割论思想与GRU深度学习结合，通过切割指标生成时序掩码，将数据分别输入双分支GRU网络并取最后时间步差异作为输出。三个DBD-GRU因子RankIC均约-10%，优于原始切割论因子和GRU基线模型。合成DBD-Combine因子在沪深300/中证500/中证1000中RankIC分别为-5.76%/-7.40%/-9.84%，中证1000指增超额年化11.8%、IR 2.21。正交化检验表明DBD-GRU提供了显著信息增量，而GRU因子剔除DBD-GRU后RankIC绝对值均低于2%。

收益归因 ✓ 已完成

将DBD-GRU因子分别对切割论因子和GRU因子作截面回归取残差，计算残差RankIC。DBD-GRU因子剔除两者后仍保持较强预测能力；GRU因子剔除DBD-GRU因子后RankIC绝对值均小于2%，预测能力大幅削弱。因子间相关性分析显示DBD-GRU与切割论因子相关性高于GRU与切割论因子，表明模型有效融合了切割思想。

方法: 截面回归正交化

缺口: 未对Barra风格因子等传统风险因子做归因分析，未做行业归因，未做纯多头组合的Brinson归因

稳健性

子样本稳定性: 测试区间内每一年多空对冲与多头超额收益均为正值，总体表现十分稳健。在沪深300、中证500、中证1000中均有较好表现，其中中证1000中表现最接近全市场且优秀。

风格偏差: 经过市值行业中性化处理；指增组合约束了Barra风格暴露偏离上限0.2个标准差，行业权重偏离上限2%。

模型在不同宽基指数和不同年份中表现出较高的稳定性，且在剔除传统切割论因子和基线GRU因子后仍保持较强预测能力，证实了其提供的是实质性信息增量而非简单叠加。

数据依赖

所需数据: 股票日频行情数据(开盘价、收盘价、最高价、最低价、成交量、成交金额、成交笔数)、资金流数据(小单流入金额)

可复现性: medium

所需数据为常见日频量价及资金流数据，获取难度较低。模型架构逻辑清晰，但部分关键训练超参数(如学习率、网络层数、隐藏层维度等)未在正文中列出，完全复现具有一定挑战，整体可复现性中等。

新颖性评估 [新方法]

提出了一种将传统量化研究方法论（因子切割论）直接嵌入到深度学习模型架构中的新方法。通过双分支差异网络和掩码机制，实现了先验逻辑与数据驱动的有机结合，有效提升了因子的信息提取能力和稳健性，具有较好的启发意义。

不足与缺陷

网络超参数(如层数、隐藏层维度、学习率等)及损失函数未在文本中详述(仅在截图中)，影响完全可复现性
按周抽样构建训练集虽然提升了训练效率，但可能损失日频数据的连续短期时序依赖信息
使用中位数生成硬掩码(0或1)进行特征过滤，可能导致梯度截断，且对平稳或极端分布的切割指标适应性较弱
文中测试区间'20241231~20250530'与摘要'201412~202505'存在笔误冲突，需谨慎确认实际回测长度

可复用元素

将传统因子构造逻辑转化为深度学习的掩码机制和双分支差异结构
通过相减操作提取不同市场环境下的信息差异，并在网络末端融合
在模型中硬编码先验逻辑，提高了深度学习模型的可解释性

启发

量化因子逻辑可以直接转化为神经网络的架构先验（如掩码、门控、双分支相减）
截面或时序的'切割-相减'思想可用于改造其他传统量价因子并嵌入网络结构中

改进方向

引入可学习的软掩码替代中位数硬掩码，如基于注意力机制或可学习的分位数生成连续权重(0~1)

基于: 相似逻辑(特征A切割特征B，双分支差异) 预期收益: 提升模型平滑度，避免梯度截断，增强对平稳或极端分布特征的适应性

将末端只取最后时间步的差异，改为所有时间步的差异序列并进行时序池化或加权融合

基于: 相似逻辑(双分支GRU差异输出) 预期收益: 捕获更长期的市场环境差异信息，而非仅依赖最后一天的隐藏状态

复现计划

1. 准备A股日频量价及资金流数据；2. 实现理想反转、理想振幅、主动买卖三个基础切割论因子；3. 按周抽样构建20日时序数据集；4. 搭建双分支GRU网络，以特征A中位数生成mask；5. 分别输入GRU_high和GRU_low并取最后时间步相减；6. 全连接层输出，5年滚动训练；7. 月频调仓十分组回测，做市值行业中性化，验证RankIC和指增超额收益。