深度因子的"去风格化"与稳定性成为AI选股共识议题；基本面因子精细化与仓位测算工具同步推进

0. 近月脉络

近月灵感主线正从”信号/因子生产”延伸到”深度因子在风格切换期的稳定性”：此前已有VIi视觉大模型选股（申万）、AI智能体因子挖掘（广发CogAlpha）、GRU时序分域（申万）。本期国盛、广发不约而同聚焦”如何让深度学习因子不依赖风格暴露”——一个用收益解耦的行为表征，一个用标签/权重/数据多维去偏；招商继续基本面因子族精细化，长江的算子化高频因子方法论也在持续推进。

1. 本期研究灵感 ⭐

灵感点1：量价指纹模型迭代——“收益无关”的行为预训练 + Alpha/Beta结构化分解 ^[1]

• 灵感点：国盛金工把量价指纹模型重构为WPE+CDE两段式。WPE以每只股票每日237分钟、62项微观交易特征为输入，预测后续买方压力、撤单压力、委托激进度、大资金参与、波动状态和流动性健康状态六类”未来行为”的条件分布——预训练完全不接触收益率，避免把训练期内的风格收益偏好（低波动、低流动性、小市值）写进128维行为指纹；下游CDE用GRU读取最近20日指纹序列，通过AlphaHead和BetaHead把”个股可复现的选股规律”与”截面共同收益方向”分开建模，部署时只输出AlphaHead。回测中PureAlpha因子市值行业中性后周度RankIC仍有0.070，与端到端因子按2:8合成后，中证1000指增年化超额17.30%、信息比2.82，2026年风格切换期超额由纯端到端的4.72%提升至8.26%。
• 出处：国盛金工刘富兵/沈芷琦/诸格慧明团队——《“机器学习”选股模型系列研究（二）：量价指纹模型的迭代：行为选股与条件风格收益的协同建模》。
• 启发 / 怎么用：两个设计原则最值得带走。①”预训练与收益解耦”：只要预训练目标含收益方向，表征就会固化历史风格偏好，2026年科技抱团行情中低波/小市值偏好的反噬就是证据——对任何端到端深度因子都值得自查预训练目标是否”干净”；②”训练时分解、部署时只用稳定支路”：BetaHead为风格共同收益提供独立表达通道，AlphaHead保留长期稳定的个股规律，比事后做严格风格中性化更温和、能保留收益厚度。这套”行为表征+双头分解”的骨架可迁移到文本、另类数据预训练模型。

灵感点2：StableAlpha——系统性消除深度学习因子的”风格捷径” ^[2]

• 灵感点：广发金工指出端到端深度因子往往不是独立Alpha，而是通过”风格捷径”（低波动、小市值、短期反转、低流动性等暴露）降低损失——模型不过是在用更复杂的方式复制已有风格风险。报告把风格捷径的形成机制拆成四个层面：标签（未来1/3日短标签偏动量、5/20日长标签偏反转与流动性）、训练权重（全样本等权使小市值股票拥有过高话语权）、数据（量价特征本身就是风格代理变量，模型越复杂越容易还原）、长期有效性（风格收益有环境依赖且同质模型会拥挤）。基于上述分析构建的StableAlpha，2026年以来全市场月度RankIC均值11.2%、胜率96.1%，中证500指增2026年超额10.81%。
• 出处：广发金工林涛/安宁宁/陈原文团队——《StableAlpha：更稳定的深度学习因子》。
• 启发 / 怎么用：这篇的价值在于把”风格捷径”问题转成一张可操作的诊断清单：训练后先做Barra风格归因、再做行业风格中性化看残差IC，判断因子是”真Alpha还是风格复读机”。三个改进抓手（标签期限选择、按市值/风格重设样本权重、对输入特征做消偏）均可直接嵌入自己的深度因子管线，与灵感点1的”行为表征解耦”形成互补的两条技术路线。

灵感点3：成长投资全解析——传统成长因子的七大困境与逐项优化 ^[3]

• 灵感点：招商金工系统枚举传统成长因子（净利/营收增速）的七大困境——忽略增长路径、增长动能、未来成长、超预期、性价比、维度单一、低基数，并逐一给出构造方案：用位移路程比+上涨次数占比+回归拟合度刻画成长路径；用成长加速度+增速时序分位点+回归系数刻画成长动能；用财务指标截面回归预测未来净利增速+分析师预期上调刻画未来成长；用SUE/SUR/盈余公告次日跳空（JOR）/财报超预告快报预期/单季利润超分析师预期五个细分因子刻画超预期；成长性与综合估值结合刻画性价比；纳入现金流、经营效率、定价权多维度成长；剔除低基数个股（去年同期单季净利<0或营收<0.75亿）修正同比失真。七大维度等权融合成综合成长补充因子，RankIC均值6.03%、ICIR 3.24，回归剔除传统成长因子影响后残差IC仍有5.41%；仅用传统成长+补充因子构建的风格纯粹策略年化收益29.18%、相对中证全指超额26.39%。
• 出处：招商定量任瞳/刘凯团队——《成长投资全解析——基本面量化系列研究之六》。
• 启发 / 怎么用：这是”单因子族精细化升级”的完整范式：把经典因子的缺陷枚举成可检验的清单，每个缺陷对应一个有明确经济学含义的构造方案，最后用残差回归证明增量独立于原因子。这套流程可直接迁移到价值、质量、红利等其他风格因子的系统化迭代。两个A股制度特异的细节值得单独深挖：低基数剔除规则、以及”正式财报超预告/快报预期”这种依赖中国披露制度的因子构造。

灵感点4：仓位测算两环节手术——“增量股扩池”与”边际贡献加权” ^[4]

• 灵感点：兴业金工对偏股基金仓位测算体系做两处改进。①个股层面，传统方案只对十大重仓股做卡尔曼滤波回归，无法反映季报间的重仓股变化（相邻季度51%的基金会更换5只以上重仓股），改进为：用测算组合与基金真实收益的差异，从潜在股票池中选出对差异贡献最大的股票补进测算池，跟踪误差由3.35%降至3.08%；②基金合成层面，按单只基金对组合夏普的边际贡献差异化加权（拖累组降权、贡献组升权），跟踪误差再降至3.19%。两项叠加后拟合偏股基金指数的跟踪误差压缩至2.91%，年化收益由5.85%提至6.39%，且分年度、分参数均稳健。额外发现：对前三大行业，用个股仓位测算加权到行业层面优于直接做行业回归。
• 出处：兴业证券郑兆磊团队——《再进阶——仓位测算&战胜偏股基金新篇章》。
• 启发 / 怎么用：这套改进本质是”用残差信号反推组合变动”的通用方法——净值与旧持仓的差异本身就是信息，可用来推断调仓方向。这个方法不限于基金仓位测算，可迁移到北向资金、险资等持仓不可见主体的行为推断。“边际贡献加权”的合成逻辑也可用于多模型/多基金合成场景。行业层面”个股测算加权优于行业指数回归”的反直觉发现提示：测算中间应该建在哪一层（个股→行业 vs 直接行业）本身是值得验证的工程问题。

灵感点5：高频因子方法论——时间段切割因子作为”离散向量”算子 ^[5]

• 灵感点：长江金工在算子挖掘体系下明确：高频因子计算可拆成”数据变换+K线聚合”步骤，按最后一步是单维度聚合还是匹配聚合分为维度计算和维度匹配；时间段切割因子本质是维度匹配因子的子类——匹配K线算子中携带离散向量（如振幅边际异常、价格异常），通过离散化实现数据划分，以信息钝化达到去噪目的并提取差异化信息。实例包括振幅边际异常相对波动因子（中证800市值行业中性IC 4.11%）、振幅边际异常相对换手因子、价格异常相对换手因子。
• 出处：长江证券郑起/刘胜利团队——《高频因子（十九）：收益来源基础的因子挖掘方法论二——时间段切割因子》。
• 启发 / 怎么用：“离散向量 vs 连续向量”的算子分类学为系统化高频因子生产提供了工程轴：同一套K线聚合框架下，只换离散向量的定义（振幅异常、价格异常、活跃区间、交易性质）即可批量产出低相关的因子簇。可作为自建高频因子挖掘平台的分类标准之一，也可把离散化思路迁移到低频因子（如用离散化的财务变化方向做信息钝化）。

2. 方法论主题归类

• 模型与算法：国盛WPE/CDE的收益解耦预训练与Alpha/Beta双头分解 ^[1]、广发StableAlpha对”风格捷径”的多层面校正 ^[2]，共同指向”深度学习因子的去风格化与稳定性”这一共识议题。
• 新因子构建：招商成长因子七大困境逐一优化并融合成综合补充因子 ^[3]；长江以”离散向量”算子分类学构造时间段切割因子 ^[5]。
• 框架与方法：兴业以残差信号反推调仓、以边际贡献做加权，系统性改进仓位测算 ^[4]；申万海外量化综述把行业主线概括为”从因子生产转向系统化能力整合” ^[6]。

3. 值得持续追踪的系列

• 国盛金工”机器学习”选股模型系列：本期为第（二）期 ^[1]，承接初版量价指纹模型，后续计划引入市场环境对行为做条件化解读，可关注”行为—收益映射”随风险偏好、流动性动态调整的进展。
• 招商金工”基本面量化系列研究”：已更新至第六篇（估值→财务健康→自由现金流→盈利能力→波特五力→成长）^[3]，该系列是单风格因子族精细化升级的活教材，可预期后续覆盖质量或红利方向。
• 长江金工”高频因子”系列：本期第十九期 ^[5]，方法论子系列（收益来源基础的因子挖掘方法论）进入第二篇，可关注其对维度匹配、离散向量等算子类别的继续拓展。
• 申万宏源”量化策略演进手记”系列：本期召回含第三期GRU时序分域探索 ^[7]（发布于7月16日，非本期新增），该系列从分域训练向机制转换与动态模型混合演进的方向值得持续跟踪。

附：补充信源

• ^[6] 申万宏源 — 海外量化研究系列之七：梳理Man Group、AQR、贝莱德、Two Sigma等机构近两年主线——AI Agent化（AlphaGPT）、信号管理与数据治理、传统因子精细化，提出量化核心竞争力正从”开发更多因子”转向”系统化能力整合”。
• ^[8] 广发金工 — REITs指数择时：宏观/估值/价量三维度择时框架，价量部分以”滚动1年优选指标+众数投票”合成日频信号，该动态选指标机制可迁移到其他低流动性资产。
• ^[9] 长江金工 — 华夏基金金安达访谈：基本面量化实践，核心差异点是”个股时序刻画”替代”横截面因子排队”，对理解主动逻辑与量化工具的结合方式有参考价值。

本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。