“机器学习”选股模型系列研究（一）：量价指纹模型的构建与应用初探

摘要： 本报告提出一种基于大模型语义理解思想的“量价指纹”选股模型，旨在将金融量价数据视为一种特殊语言，通过自监督学习提取其深层语义表征，以优化量化选股的预测能力。

核心观点：
量价指纹模型通过将分钟级量价数据压缩为低维语义向量，实现了从简单的“特征工程”向深度“表示学习”的跃迁。该模型能捕捉市场动态演化的隐性模式，在有效降低市值风格暴露的同时，提供比传统量价因子更强的预测能力。

论据支撑：

1. 模型构建：采用因果 Transformer 架构，通过前向价格预测和后向交易特征重建的双任务自监督学习，生成 128 维日度指纹向量，并引入多样性、正交性和均匀性正则项防止表征坍塌。
2. 回测表现：在 2017-2025 年的回测中，量价指纹因子在多空收益上优于传统量价因子；将量价指纹与量价因子融合的双流 GRU 模型进一步提升了预测能力，多空对冲年化收益达 90.89%，信息比率为 5.95。
3. 组合应用：基于融合因子构建的沪深 300、中证 500 及中证 1000 指数增强组合在严格风险约束下均取得稳定超额收益，其中沪深 300 超额年化收益为 7.12%。

局限性/风险：
模型结论基于历史数据测算，若市场环境和结构发生剧烈改变，模型可能失效；单模型收益存在较大波动，实际应用需结合资金管理与风险控制。