国盛把量价指纹的预训练与收益解耦、广发把Level-2"非成交信息"（撤单/知情交易）做成因子族、招商把成长因子失效拆成七困境逐项修补；申万同时推进GRU时序分域与海外量化观察

0. 近月脉络

近月主线有三条在反复迭代：一是深度学习因子的去风格化与稳定性——国盛 WPE/CDE、广发 StableAlpha 都在解决”模型学到的是风格捷径而非独立Alpha”这一同题 ^[1][2]；二是高频/L2数据的切面扩张——从分钟频到逐笔、从大小单到撤单与订单流不平衡 ^[3][4][5]；三是经典风格因子的精细化手术——广发做PB-ROE三重过滤、招商做成长七困境 ^[6]。本期新增一条：用市场状态分域让模型自适应 ^[7]。

1. 本期研究灵感 ⭐

灵感点1：把量价指纹的预训练与”预测收益”彻底解耦，再用 Alpha/Beta 双头训练、单头部署 ^[1]

• 灵感点：国盛重构了自家”量价指纹”模型。①WPE（Within-Day Pretrained Encoder）以每只股票每日237分钟、62项价格与微观交易特征为输入，用因果 Transformer 压成128维日级”行为指纹”；关键在于预训练不使用未来收益（初版用价格方向预测，被认为把训练期的收益偏好直接写进了指纹空间），改为预测未来买方压力、撤单压力、委托激进度、大资金参与、波动状态、流动性危机六类行为变量，且预测其条件分布而非点估计；同时设资金流/流动性/参与者/波动率/撤单五个”行为房间”、加行为一致性与房间正交约束，为128维表示建立结构化信息出口。②下游 CDE 把最近20日指纹与日线价量状态拼接后送入 GRU，设 AlphaHead（个股可复现排序）与 BetaHead（截面共同收益结构），训练时相加解释收益、部署时只用 AlphaHead（PureAlpha）。实证（2021/01/04–2026/07/17，周度换仓）：PureAlpha 周度 RankIC 0.078、年化 ICIR 5.66、十分组多空年化 76.94%；市值行业中性化后 RankIC 仍 0.070、ICIR 7.91。与端到端量价因子按 2:8 合成后，中证1000指增超额年化 17.30%、信息比率 2.82、月度胜率 78.18%、月度最大回撤 3.17%；2026年至7/17超额由纯端到端模型的 4.72% 提升至 8.26%，中证500同样改善，沪深300则长期收益中枢略降但月度胜率由 69.09% 升至 80.00%。报告还给出四类事后检验：Barra风格+行业+OHLCV 合计只能解释指纹截面差异的 12%–22%；同一股票跨1/5/10/20日的指纹余弦相似度显著高于随机配对；指纹距离越近的两只股票未来收益差异越小、同方向比例越高（84.49%→73.33%）。
• 出处：国盛金工沈芷琦/诸格慧明——《“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》，切入角度是”初版指纹在2026年4-6月科技抱团行情下持续回撤，偏差源头在指纹生成阶段而非下游GRU”。
• 启发 / 怎么用：这是本期最值得逐句读的一篇。可搬走三样东西：①**“return-free 预训练”是一条表征学习纪律**——如果你的深度因子在风格反转时排序同步失效，先检查预训练/标签阶段是否已把历史收益映射烧进表示，而不是急着换网络结构；②Alpha/Beta 双头”训练共用、部署单取”承认了”共同收益方向样本外不可预测”，把它降级为训练约束与归因通道，比强行做严格风格中性残差更实用；③报告给出一条极有价值的诊断——“全市场十分组单调”不等于”指增有效”，因为十分组包含了跨市值/跨波动的组间收益，而指增要靠组内排序。警惕两点：PureAlpha 明确不是严格风格中性残差，训练期长期有效的收益规律仍会进入 AlphaHead；其增量在中证1000/500 明显、沪深300 甚至稀释，说明这类行为信息的价值随股票池的个股差异度变化。

灵感点2：从”撤单”挖因子——撤单量与成交量长期接近 1:1，是被系统性忽略的一整类流动性承诺数据 ^[4]

• 灵感点：广发指出传统研究几乎只看成交，而撤单刻画的是”曾提交、后被主动撤回的流动性承诺”，全市场撤单量与成交量基本同量级（2019–2021 约为成交的90%，2022年起持平，2024年后略超）。基于 Level-2 逐笔订单，从撤单活跃度、撤单规模、日内时间结构、快速撤单与普通撤单差异三个维度构建因子体系。较优因子包括：rel_count_per_active_minute（RankIC 均值 -9.19%、IC 胜率 73.09%，反向因子）、time_close_minus_open_count_share（5日平滑 RankIC 5.43%、胜率 73.98%）、time_open_count_share、time_afternoon_vol_share、spec_share_within_normal_count、fast_normal_switch_rate_diff_vol、fast_normal_avg_run_length_diff_vol。除关注撤单规模与活跃度的因子外，其余与 Barra 各风格相关性多在 30% 以下。报告另给出一条结构性观察：部分撤单（部分成交后撤余量）在全部撤单中占比虽低，但”部分撤单量占比稳定高于笔数占比”，说明其集中于大额订单，且内含”先成交、再评估、后终止”的决策链条，信息含量更丰富。
• 出处：广发金工张逸飞/安宁宁/陈原文——“海量Level 2数据因子挖掘”系列第八篇（《量化·精选·致远-2026深度研究》十八）。
• 启发 / 怎么用：撤单是”负向流动性”的直接度量，与成交类因子在信息源上正交，值得单列一类特征进因子库。三个可迁移的切分维度：①部分撤单 vs 全额撤单（大额订单的行为分层）；②快速撤单 vs 普通撤单（前者更像高频信息响应，后者更像常规流动性调整）；③日内时间结构（开盘/尾盘撤单占比），可用来刻画日内信息博弈节奏。这套”同一行为按速度/完整性/时点三维切开”的做法，也能移植到挂单、主动买卖盘等其它订单簿行为上。需要警惕：撤单行为高度依赖交易机制与监管环境（报告自己列出的撤单/成交比例逐年漂移就是证据），因子稳定性隐含制度假设；且活跃度/规模类因子与风格相关性明显更高，独立性弱于时间结构与快慢撤单类。

灵感点3：把学术界的知情交易概率模型工程化为因子——PIN → VPIN → DPIN，并按”行为×时间×统计”展开成 39 个因子 ^[3]

• 灵感点：广发把市场微观结构理论中的知情交易概率测度落地为选股因子。VPIN类：用全天主买/主卖的成交量、成交额、成交笔数不平衡构造 VPIN_vol、VPIN_amt、VPIN_cnt，其中 VPIN_vol 在 2019/03–2026/04 全市场月度换仓（双边千三）下十分档多头年化 16.53%、相对中证全指超额 8.72%、RankIC 10.05%、方向胜率 73.6%。DPIN类：以5分钟真实收益率的非预期反转作为知情交易代理（收益率<0时的主买视为知情者反转套利、收益率>0时的主卖视为知情交易），再按 3种行为特征（base 不限量 / big 区间量高于全天5分钟中位数 / small 反之）× 4种时间特征（全天 / 早盘09:30-10:00 / 盘中10:00-14:30 / 尾盘14:30-14:57）× 3种统计特征（均值 / 标准差 / 稳定性=均值/标准差） 衍生 36 个因子，其中 DPIN_base_total_std 等 RankIC > 8%、方向胜率近 70%；表现突出者多带 big_am 或 small_am 前缀（早盘知情交易）。39 个因子中挑出9个较优者，与 Barra 风格、深度学习因子及本系列前序的大小单/长短单/集合竞价/市价单/重点时段因子相关性多在 0.5 以内。
• 出处：广发金工安宁宁/陈原文/林涛——“海量Level 2数据因子挖掘”系列第七篇（《量化·精选·致远-2026深度研究》十六）。
• 启发 / 怎么用：①学术微观结构模型是低成本的因子矿：PIN/VPIN/DPIN 有几十年文献累积，配上逐笔数据即可批量产出，比凭直觉造因子更有经济含义；②”行为 × 时间 × 统计”这个笛卡尔积是一个通用扩充模板，几乎可以套到任何日内序列上（大单资金流、订单簿失衡、撤单、集合竞价），本质是在同一逻辑上做组合爆炸式扩张；③”早盘切片 + 大单/小单区分”胜出，提示知情交易更多集中在开盘的信息消化期，这个时间维度的先验值得固化到自建因子里；④报告把”与前序因子相关性 < 0.5”当作新因子独立性验收标准，这个习惯值得写入流程。警惕：39 个因子、样本区间有限，多重检验与参数（5分钟切片、中位数阈值）敏感性需自查。

灵感点4：把”成长因子失效”诊断成七个可逐项修补的困境，并用”剔除传统成长后的残差”证明增量 ^[6]

• 灵感点：招商把传统成长因子（净利润/营业收入同比增速）的不足拆成七个困境并各配一套构造：①未考虑增长过程→位移路程比、上涨次数占比（用过去20期）、带符号的线性回归拟合度 R²；②未考虑加速度→增速环比、增速在过去8期的时序分位点、增速的时间序列回归系数；③未关注未来成长→用单季ROA、Accruals、Investment、ROE Growth、单季EP、NOA增速、EXTFIN 七个财务指标做 5 年滚动年度截面回归，预测下一期净利润(TTM)同比增速；再叠加分析师盈利预测上调因子；④未考虑超预期→SUE、SUR、JOR(LAST)（公告后次日开盘跳空超额）、正式财报超预告/快报预期、单季利润超分析师预期；⑤未考虑性价比→成长/成长动能的中信一级行业内排名 + 综合估值因子排名（PB-NISD 思路）；⑥维度单一→现金流成长、经营效率、盈利能力与定价权、分析师预期四维；⑦未考虑低基数效应→剔除去年同期单季净利润<0 或去年同期单季营收<0.75亿的个股。综合成长补充因子 RankIC 6.03%、RankICIR 3.24、十档多空年化 24.95%；与综合传统成长因子回归取残差后，残差因子 RankIC 仍 5.41%、多空 15.61%，证明增量并非重复传统成长信息。成长风格选股策略（2010–2026）年化 29.18%、超额中证全指 26.39%、信息比 2.23。
• 出处：招商定量任瞳团队——“基本面量化系列研究之六：成长投资全解析”。
• 启发 / 怎么用：①最有价值的不是某个因子，而是”把风格因子的失效写成清单 → 逐项设计补丁 → 回归取残差验收增量”这条研究流程，可直接平移到价值、质量、动量等其它风格因子上；②低基数效应这一困境值得所有做同比增速类因子的团队先做一遍清洗——报告用”基期净利润五组 × 当期增速十组”的50格交叉分组证明低基数高增速并不带来后续收益（B01组增速112.95%却弱于B02的48.52%），并给出可落地的阈值规则（去年同期单季净利润<0 或营收<0.75亿）；③”位移/路程比、R²带符号”是把路径形态思路从技术分析移植到财务序列的一个模版；④报告反复以”回归剔除后残差仍显著”作为增量证明，这个验收标准应固化。警惕：七维度最终等权融合，权重未优化、各维度彼此相关性未充分披露；低基数阈值带较强规则性，换样本期需重测。

灵感点5：GRU 选股的”时序分域”——先按市场状态切样本，再为每个状态单独训一个专家模型 ^[7]

• 灵感点：申万从统一训练的 GRU 选股模型（过去40个交易日7个量价字段、预测未来5日 VWAP 收益、8年滚动训练、截面排序损失、隐藏层仅16维）出发——统一模型样本外 RankIC 6.21%、多头年化超额 8.93%、多空 31.31%。针对”不同市场环境对应不同交易模式、统一训练会衰减”的问题，系统测试了六类状态变量做分域训练（按标签切样本 → 每状态单独训一个 GRU 专家模型 → 样本外按当期状态选模型）：宏观经济、趋势/震荡、市场流动性绝对水平、流动性边际变化、全市场波动率、行业分离度。结论：宏观与趋势震荡分域最有效（趋势震荡分域在震荡状态下把 RankIC 从 6.27% 提到 6.65%、RankICIR 0.59→0.72、年化超额 9.93%→13.30%、超额回撤 -6.21%→-5.68%，但趋势状态下反而拖累）；流动性分域反而降低整体 RankIC（6.21%→5.79%）；波动率分域主要改善回撤（多头超额回撤 -8.66%→-4.15%）；行业分离度分域收益有增量但回撤明显扩大。把统一模型与两种分域模型的因子值加入沪深300/中证500 的因子共振指增模型，分域版本超额贡献提升约1个百分点以上。一个关键工程细节：用 zig-zag 的”后视镜”趋势震荡标签会引入未来数据，报告改用均线、布林带等6个可实时计算的标签经决策树合成状态信号，效果接近后视镜标签——即”样本外预测市场状态”这一步是可行的。
• 出处：申万宏源金工沈思逸/邓虎——“量化策略演进手记系列之三：GRU选股模型的时序分域探索”。
• 启发 / 怎么用：①”状态标签硬切分 → 专家模型 → 样本外选模型”是一条低工程成本的适应性增益路径，适合”已有稳定基线、想再加一层环境适应”的场景；②最有价值的是那个子实验——用可实时计算的信号（决策树合成的趋势震荡标签）替代 zig-zag 后视镜标签，分域研究最容易死在这里（状态标签本身含未来信息），这条给出了可复制的解法；③必须分状态评估：震荡状态改善、趋势状态拖累，说明分域不是免费午餐，用一个总均值掩盖掉了一半的坏消息；④分域后收益与回撤常同步放大（宏观分域多头回撤 -8.73%→-10.68%），样本切小是有代价的；⑤报告自陈局限并指向 regime switching / 动态模型混合（多维变量识别隐含状态、把状态概率作为特征或权重），这是明确的下一步方向。

灵感点6：海外量化近两年的演进主线——从”造更多因子”转向”把信息处理、信号生成、投资落地整合成系统化能力” ^[8]

• 灵感点：申万梳理 Man Group、AQR、Acadian、Robeco、Two Sigma、BlackRock、Point72、JPMorgan、高盛等机构近两年公开资料，给出三个可直接借鉴的模块。①大模型应用与其风险：Man Group 的 AlphaGPT 已升级为 Agentic AI，端到端完成”挖掘数据→提出假设→生成代码→回测验证”；高盛用大模型分析业绩电话会议问答环节的管理层反应以捕捉隐藏预期；但 Acadian 与 Two Sigma 均明确指出大模型的训练截止日期会在回测中带来隐性数据泄露，且 AI 的高效挖掘可能加剧过拟合（模型”已知”疫情、金融危机的影响）。②另类数据的验收与测试流程：贝莱德披露 2019–2024 审阅数据集数量增长超3倍、拒绝率增长5倍以上，2024年仅约30%的评估数据集达到入库标准；其四条准入标准为原创性、完整性与覆盖度、及时性与时点数据 (point-in-time)、透明度与可追溯性；三步测试为统计效力回测（含样本外）、经济直觉检验（是否有套利逻辑、信号是否被快速定价）、与现有信号的正交检验。③系统化建模：贝莱德 AIM 系统内置线性回归、树模型、神经网络多种模型，同一套信号因目标函数不同可生成多套预测，并为熊市单独训练低波低Beta模型；Man Group 用7个宏观变量构造状态向量、以”与当前状态最相似的历史时刻”决定因子选择。报告还梳理了公募端”主动+量化结合”的六家样本（普信 Integrated、JPMorgan Fundamental Data Science、MFS Blended Research 等），以及 AB、Alpha Architect、Motley Fool 等对单因子的细节增强。
• 出处：申万宏源金工沈思逸/邓虎——“海外量化研究系列之七”。
• 启发 / 怎么用：①贝莱德那套数据准入标准+三步测试流程可以原样做成团队的数据采购/入库 checklist，尤其 point-in-time 与正交检验两条，多数团队买数据时并不执行；②”大模型训练截止日 = 隐性数据泄露”是当前被严重低估的回测陷阱：只要用 LLM 做文本因子或情绪信号，就要检查模型知识是否已覆盖你的回测区间（尤其是 2020、2022 这类事件年份），这与本期国盛强调的”预训练不能碰收益”是同一类问题的两种表现；③”同一套信号换目标函数生成多套预测”、“为特定环境单独训练模型”是把模型适配性做实的具体路径，和申万自己的 GRU 分域实验 ^[7] 恰好互为印证；④对国内研究的现实含义是：当因子生产效率被 AI 拉平后，瓶颈从”想法”转到”数据治理与流程”，值得提前布局。注意这是对公开资料的二手梳理，无一手回测，结论属方向性判断。

2. 方法论主题归类

• 新因子构建：招商把成长因子失效拆成七困境逐项修补、并以残差检验增量 ^[6]；广发两篇 Level-2 分别从撤单 ^[4] 与知情交易概率 ^[3] 切入，共同特征是”不发明新经济含义，而是换一个从未被系统使用的数据切面”。
• 模型与算法：国盛 WPE/CDE 把行为表征与收益预测职责分离、Alpha/Beta 双头训练单头部署 ^[1]；申万把状态分域引入 GRU 选股并解决”状态标签不能含未来数据”的落地问题 ^[7]。两者都在回答同一个问题：当市场风格切换时，模型如何不在同一种风格上”押错两次”。
• 数据驱动：Level-2 逐笔订单中的非成交信息（撤单、订单流不平衡）成为本期主战场 ^[4][3]——与近月分钟频、快照类因子的方向一致，即向”订单意图的撤回与不对称”要增量。
• 框架与方法：申万海外梳理给出另类数据准入标准与三步测试流程、以及”信号合成 → 组合约束”的分层建模框架 ^[8]，其”正交检验”要求与广发、国盛的因子独立性验收 ^[3][1] 是同一条纪律的不同表述。
• 另类视角：公募端”主动+量化结合”的组织形态（量化打分与基本面评级的加权合成、优化器参数可调、跟踪误差 2%–3% 的严格约束）^[8]，对国内做指增与主动量化融合作业流程有参照价值。

3. 值得持续追踪的系列

• 广发金工”海量Level 2数据因子挖掘”系列：本周连发第七篇（日内高频知情交易因子 VPIN/DPIN）^[3] 与第八篇（高频撤单因子）^[4]，前序已覆盖大小单、长短单、集合竞价、市价单、重点时段，是当前 L2 因子挖掘覆盖最完整的系列，可关注后续是否延伸到订单簿失衡、价格笼子边界行为。
• 广发金工”量化·精选·致远-2026深度研究”：本期第十六（知情交易）^[3]、十七（StableAlpha 更稳定的深度学习因子）^[2]、十八（撤单因子）^[4] 三连发，是本周方法论密度最高的系列。
• 国盛金工”机器学习选股模型系列研究”：本期第二篇 ^[1]，从”量价指纹初探”推进到”预训练与收益解耦 + Alpha/Beta 分离”，是该系列方法论定型的一期，其自陈的后续方向（引入基本面/事件信息、对行为做条件化解读）值得跟。
• 招商定量”基本面量化系列研究”：本期第六篇（成长投资全解析）^[6]，前五篇分别为估值、财务健康、自由现金流、盈利能力、波特五力，是一套可以横向对照”同一套修补范式如何用于不同风格因子”的完整样本。
• 申万宏源”量化策略演进手记”与”海外量化研究”双系列：本期分别为之三（GRU时序分域）^[7] 与之七 ^[8]，前者偏自有模型实验、后者偏海外方法论扫描，可对照看同一议题（模型适应性与流程化）在两端的表达。
• 长江金工”高频因子”系列：本期第十九篇（时间段切割因子）^[5]，延续”离散向量”算子体系（以振幅边际异常/价格为离散向量、收益率/换手率为连续向量，如”振幅边际异常相对波动”因子市值行业中性后中证800 IC 4.11%、全市场 5.56%），与第二十篇”时间点划分因子”共同构成算子分类学。
• 长江金工”投研工具箱”系列：本期第六期（风格轮动信号监控）^[9]，用”红利/成长指数比价 + 20日均线乖离率”与”相对强弱/相对动量四象限”两条纯技术面路径，Excel 模板自动更新，可作为轻量工具化落地的样本。

附：补充信源

• ^[2] 广发金工 — StableAlpha：更稳定的深度学习因子（深度研究十七）：把”深度学习因子不稳定”当作课题，从四个层面剖析”风格捷径”——标签（1–3日短标签更偏短期动量、5/20日更偏反转与流动性）、训练权重（样本等权会放大中小市值话语权，即使不给市值变量模型也能用成交额/换手率代理识别）、输入数据（量价本身就是风格代理）、长期有效性（小市值/低波/反转/低流动性的收益具周期性且易拥挤踩踏）；样本外（2020起）月度 RankIC 全市场 12.2%、胜率 93.0%。该方向在早前简报的脉络中已提及，此处补充其方法论框架。
• ^[5] 长江金工 — 高频因子（十九）时间段切割因子：以”离散向量”算子派生的细分（离散化用于去噪与提取差异化逻辑），给”振幅边际异常相对波动/相对换手""价格异常相对换手”等因子在中证800与全市场的 IC 与量价中性后衰减数据。
• ^[9] 长江金工 — 投研工具箱系列（六）风格轮动信号监控：两条技术面风格轮动路径（指数比价方法论、相对强弱与相对动量方法论），全区间年化约 12.6%–12.7%，2013年以来多数年份跑赢红利成长均衡基准。
• ^[10] 长江金工 — 智研新范式：AI Agent 驱动的投研工具与应用创新（分享预告，正文过略，无法判断方法实质，仅记录待后续追踪）。
• ^[11][12] 国信金工 — 多因子选股周报与主动量化策略周报：正文为指增组合与因子表现跟踪（按纪律不计入灵感），但附录的”中性约束下最大化因子暴露 (MFE) 组合”检验方式与”公募重仓指数”样本空间两个工具性设计，仍是评估因子在真实约束下可用性的可借鉴做法。

---

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。