广发把 Level-2 从"成交"推进到"未兑现的意愿"——撤单因子体系与 VPIN/DPIN 知情交易概率；申万用"后视镜标签作对照组"验证 GRU 分域训练是否真的有价值

0. 近月脉络

近月脉络由”造因子”逐步外扩：先是非成交类 Level-2 切面（撤单、知情交易）与深度学习因子的去风格化，再是信号表示层（状态×变化交互、K 线视觉表征、个股→行业信息传导）与组合约束层（因子偏峰度、指数编制机制归因）。本期两条线各自回摆：数据端继续向”未兑现的意愿”深挖，模型端则从”把模型做更强”转向”诊断模型学到了什么、该按什么状态切样本”。

1. 本期研究灵感 ⭐

灵感点1：把”深度学习因子是不是在复制风格”做成一套可诊断、可归因的问题 ^[1]

• 灵感点：广发 StableAlpha 的贡献不在某个新网络结构，而在问题定义：端到端训练得到的深度学习因子，经 Barra 归因后暴露集中于低波、小市值、短期反转、低流动性，中性化后 RankIC 明显下降——即模型是通过”风格捷径 (style shortcut)“在降低损失，而非学到纯 Alpha。报告从四个层面拆解成因：①标签——未来收益混合了市场、行业、风格与特异收益，风格信号在样本中更稳定、更易被捕捉；且标签周期本身会切换模型学到的风格（1–3 天短周期更偏短期动量与资金惯性，5/20 天则反转与流动性更突出）；②权重——样本等权意味着小市值股票因数量多而在参数更新中话语权更大，即使不输入市值变量，模型也能通过成交额、换手率、波动形态等代理变量间接识别小市值；③数据——原始量价本身含大量风格代理信息；④长期有效性——风格的收益具周期性与拥挤性，环境切换即失效。实证以 2008–2019 训练、2020–2026/7 样本外单次训练，2020 年以来全市场中证全指/沪深300/中证500/中证1000/创业板年化超额 9.48%/5.48%/7.91%/12.00%/5.03%，超额最大回撤 3.33%–5.45%；2026 年以来月度 RankIC 分别为 11.2%/7.2%/6.1%/9.7%/10.8%。
• 出处：广发金工林涛/安宁宁/陈原文——“量化·精选·致远-2026 深度研究十七《StableAlpha：更稳定的深度学习因子》“（2026/9/23 发布）。切入角度是 2026 年市场切向高成长、高 Beta、高动量后，传统深度学习因子普遍失效甚至方向反转，需回到”稳定性”而非”复杂度”。
• 启发 / 怎么用：①最有价值的是三层验收表：中性化前 RankIC → Barra 相关性 → 中性化后 RankIC。多数因子验收只报第一层，而三层之间的落差恰好量化了”这个因子有多少是风格租金”。建议把它固化成因子入库的必填项。②”标签周期是风格开关”这条洞见可直接操作：如果 1–3 天的短周期标签让模型学到动量、5–20 天让它学到反转，那么”标签期限”就不该当超参数随手定，而应作为有意识的风格暴露选择，并可反过来用来构造一组”标签期限分散”的模型集成。③样本等权的隐患值得单独试验——改成按市值分层采样或对损失做市值加权，可能比加正则项更直接地切断小市值捷径。④需警惕：公开摘要只给出理论诊断与实证结果，具体改进配方（损失函数、标签构造、加权方式的实际改动）未展开，因此只能引用其诊断框架与绩效，不能复述其”配方”；另外”单次训练、不滚动”虽然让样本外更干净，也意味着模型未适应 2020 年后的结构变化，收益中可能含有”不更新带来的幸存”成分。

灵感点2：时序分域训练的两步验证法——先用”后视镜标签”证明分域有价值，再换成可交易标签 ^[2]

• 灵感点：申万以轻量 GRU（40 日 × 7 个量价字段、hidden 16、单层、dropout 0.2、8 年滚动窗口、截面排序损失、验证集尾部 20% 按 RankIC 早停）为基线，样本外 2021–2026/3 全市场 RankIC 6.21%、ICIR 0.61、多头年化超额 8.93%、多空 31.31%，且空头识别明显强于多头、中证1000 最稳而沪深300 最弱。随后按外部状态标签切样本、各状态训练独立”专家”模型。关键的方法论设计在趋势震荡分域上：方法1 训练与测试都用 zig-zag 事后标签（承认含未来数据，仅作参照系，用于检验”趋势/震荡状态本身是否具有分域价值”）；方法2 训练用 zig-zag、测试用 6 个技术指标等权合成的预测标签；方法3 同样但用决策树合成。结果方法1 改善显著（逻辑成立）、方法2 几乎无改善、方法3 接近方法1 且无未来数据——从而把”分域是否有效”与”标签能否预测”两个问题解耦。其余结论同样有信息量：宏观分域 IC 6.21%→6.59%、多头 10.17%→11.60%，但多头回撤由 −8.73% 扩至 −10.68%；趋势震荡分域下震荡状态 ICIR 0.59→0.72、超额 9.93%→13.30%、回撤收窄至 −5.68%，而趋势状态反而变差（超额 10.37%→9.35%）；流动性分域整体为负（IC 降至 5.85%/5.79%），仅在流动性偏强状态下有效；波动率分域 IC 6.45%、多头回撤由 −8.66% 大幅收窄至 −4.15%；行业分离度分域提升收益但 ICIR 下降、回撤扩大。
• 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》“（2026/7/16 发布）。切入角度是近两年市场状态切换快，统一训练的神经网络因子易衰减。
• 启发 / 怎么用：①方法1 这个”故意用后视镜标签”的对照组是本期最值得抄的实验设计——任何基于状态/事件的划分（分域、事件研究、regime 标注）都面临”标签本身靠不住”的问题，先用理想标签跑一遍，可以干净地判断”值不值得为这个状态维度投入标签工程”；若不值得，后面所有努力都是白费。②”哪些状态维度有效”的答案本身就是研究地图：与价量行为关联越紧的状态（趋势震荡、波动率）改善越清晰，纯外生变量（宏观）改善小且伴随回撤放大，纯交易活跃度（流动性）甚至有害——这提示分域的价值来自”该状态下价量结构确实不同”，而非”状态变量本身有预测力”。③分域对回撤的影响方向不固定（宏观放大、趋势震荡与波动率收窄），说明不能笼统说”分域提升稳健性”，须逐项验收。④硬分域会减少单个模型的训练样本，多维状态组合还会指数级稀疏，报告自陈的下一步——用状态概率作特征或模型权重、转向 regime switching/动态模型混合——正是从”离散切”到”软门控”的自然演进，值得作为自己模型的下一个迭代方向。⑤警惕：方法3 的实际表现取决于决策树对趋势震荡标签的预测准确率，这个准确率是实盘效果的上限，而公开摘要未披露。

灵感点3：把撤单当作”未兑现的流动性承诺”来建因子——活跃度、日内时间结构、快慢撤单三类切面 ^[3]

• 灵感点：传统量化只看成交，撤单刻画的是”曾经提交但最终主动取消”的意愿。报告先给了一个惊人的行业事实：2019 年以来全市场撤单量与成交量基本同量级，撤单占成交比例长期接近 100%（2019–2021 约 90%，2022 年起持平，2024 年后撤单量甚至略高于成交量）。在此基座上从三个维度构造因子：①撤单活跃度与规模——rel_count_per_active_minute 在 2019/1–2026/6 全市场 RankIC 均值 −9.19%、IC 胜率 73.09%；②日内时间结构与撤单节奏——如 time_close_minus_open_count_share 的 5 日平滑 RankIC 5.43%、胜率 73.98%；③快速撤单与普通撤单的差异——用两类撤单在持续时间、发生节奏上的差别（fast_normal_switch_rate_diff_vol、fast_normal_avg_run_length_diff_vol）刻画高频信息响应与常规流动性调整的区别。报告还指出一个高信息含量的切分：部分撤单 vs 全额撤单——部分撤单量占比稳定高于其笔数占比，说明部分撤单更集中于大额订单，其背后是”先成交、再评估、后终止”的完整决策链，对价格的认可以及对盘口风险的重新评估同时被观测到。除活跃度/规模类之外，其余因子与 Barra 风格相关性均控制在 30% 以下。
• 出处：广发金工张逸飞/安宁宁/陈原文——“量化·精选·致远-2026 深度研究十八《从高频撤单信息中构建因子：海量 Level 2 数据因子挖掘系列（八）》“（2026/9/24 发布）。
• 启发 / 怎么用：①”撤单 = 未兑现的意愿”是一个可推广的因子世界观：凡是”提交了但没成”的行为都带信息——未成交委托、撤回的报价、撤下的研报、取消的订单、撤回的定增。它天然与”已兑现”的成交数据正交，因此这类因子与存量价量因子的低相关性不是巧合而是结构性的（报告也证实多在 30% 以下）。②三分类里我认为最有前途的是时间结构：把撤单按日内时段分布成比例，本质是在度量”谁的报价在什么时段被撤回”，它与日内 U 型流动性基底混杂，务必像报告那样做平滑并检查与流动性风格的相关性。③”部分撤单”这个切分点值得单独放大——它自带一个已实现成交的锚点，可用来区分”报价被市场接受但数量未被满足”与”纯粹撤退”两种截然不同的动机，这种”半途状态”在订单簿失衡、大单拆分、ETF 申赎等场景都能找到对应物。④要警惕的是制度与结构漂移：撤单占成交从 90% 升到 100% 以上，说明算法交易与做市占比在变，撤单行为的含义本身在演化，因子必须按年检验而非全样本一测了之；此外 A 股撤单规则（如撤单费率、频繁撤单监控）若调整，整类因子可能集体失效。

灵感点4：VPIN/DPIN 知情交易概率的日内高频因子化——“行为×时间×统计”的三维笛卡尔积 ^[4]

• 灵感点：把市场微观结构理论里的知情交易概率做成可交易的日内因子。VPIN 一类直接度量全天主买与主卖在成交量/成交额/成交笔数上的不平衡，VPIN_vol 在 2019/3–2026/4 全市场月度换仓、双边千三下多头年化 16.53%、相对中证全指超额 8.72%、RankIC 10.05%、方向胜率 73.6%。DPIN 一类的设计更精巧：用 5 分钟频真实收益率的符号判定知情方向——收益率小于 0 时，下跌被视作非知情交易的流动性冲击所致，此时的主买代表知情者的反转套利；收益率大于 0 时，主卖代表知情交易。在此基座上做三维修剪：行为 3 类（base 不限量、big 仅取成交量高于当日 5 分钟中位数的区间、small 仅取不高于中位数的区间，用来区分”瞬时大单获利”与”拆小单隐藏意图”）× 时间 4 类（total/早盘 9:30–10:00 隔夜信息消化期/盘中 10:00–14:30/尾盘 14:30–14:57）× 统计 3 类（均值、标准差、以及稳定性 = 均值/标准差），得 36 个因子，其中 DPIN_base_total_std 等月度 RankIC 大于 8%、方向胜率接近 70%；9 个优选因子与 Barra 风格、深度学习因子及该系列前序（大小单、长短单、集合竞价、市价订单、重点时段）因子的相关系数均保持在 0.5 以内。
• 出处：广发金工安宁宁/陈原文/林涛——“量化·精选·致远-2026 深度研究十六《日内高频知情交易因子：海量 Level 2 数据因子挖掘系列（七）》“（2026/9/22 发布）。切入角度是从 PIN→VPIN→DPIN 的学术演进中取”可日内切片计算”的那一支。
• 启发 / 怎么用：①DPIN 的核心技巧值得单独记住：用短期收益率的符号给同一笔成交换一个”知情/噪音”标签，这比 VPIN 只看订单流不平衡多了一层方向判断，且实现成本极低，可以迁移到任何有高频成交方向的世界（可转债、ETF、期货）。②”稳定性 = 均值/标准差”这个统计量在日内序列上特别好用——它区分”知情交易持续存在”与”脉冲式爆发”，而后者更可能是噪音；同类思路可用于撤单率、订单簿失衡、大单占比等任何日内比率序列。③早盘时段（am）在 9 个优选因子里高频出现，与”隔夜信息消化期”的经济解释自洽，提示研究资源应优先投在开盘 30 分钟与集合竞价，而不是全天平均。④”行为×时间×统计”这种笛卡尔积是因子工厂的标准模板，与长江的”离散向量 × 连续向量 × K 线算子”是同一思路在不同数据载体上的表达，可复用为自己的因子穷举框架。⑤必须警惕：主买/主卖的方向划分依赖逐笔委托的方向推断（外盘/内盘算法），不同数据商口径不同，移植时务必固定一套并检验敏感性——公开摘要未披露其方向判定方法，这是复现的最大不确定点。

灵感点5：海外量化的方法论转向——竞争力从”更多因子”转向”系统化能力”，并给出另类数据的四标准与三步测试 ^[5]

• 灵感点：申万梳理 Man Group、AQR、Acadian、Robeco、Two Sigma、贝莱德近两年的公开资料，归纳出一条主线：在 AI 大幅提升因子生产效率后，量化选股的核心竞争力正从”开发更多有效因子”迁移到”把信息处理、信号生成、投资落地整合成更稳定的系统化能力”。其中若干处可直接落地：①贝莱德的另类数据四标准——原创性、完整性与覆盖度、及时性（是否支持时点数据 Point-in-time 以避免前视偏差）、透明度与可追溯性；以及三步测试流程——统计效力回测（IC、Horizon-Decayed IR，看样本外而非样本内）、经济直觉检验（信号须符合理性投资者行为或套利逻辑，且须有时间被交易）、正交检验（确保与现有基本面、情绪等信号增量互补）。报告称贝莱德 2019–2024 审阅的数据集数量增长超 3 倍，但拒绝率增长 5 倍以上，2024 年仅约 30% 的评估数据集能达到入库标准。②贝莱德 AIM 系统——内置线性回归、树模型、神经网络等多种模型，同一套信号因目标函数不同可生成多套预测；其为熊市训练的模型体现明显低波低 Beta 属性。③Man Group 的因子选择——用 7 个宏观变量构建状态向量，按与当前状态最相似的历史时段决定选哪些因子，在简单的六因子上即取得不错效果；AlphaGPT 已于 2025/7 升级为 Agentic AI，可端到端完成”挖掘数据→提出假设→生成代码→回测验证”。④风险侧的自省——Acadian 指出大模型易将公关性语言识别为乐观情绪、且训练截止日期会带来隐形数据泄露；Two Sigma 认为”越大越好”的时代终结、训练成本已超投资回报，可解释性成为新的竞争方向。
• 出处：申万宏源金工沈思逸/邓虎——“海外量化研究系列之七《技术飞速突破的当下，海外量化发展如何？》“（2026/8/20 发布）。
• 启发 / 怎么用：①四标准 + 三步测试基本可以直接拿来当内部数据采购/入库的检查表，尤其”Point-in-time 支持”和”正交检验”两条——前者是回测幻觉的最大来源，后者防止花钱买了与已有因子高度重复的数据；“拒绝率 5 倍于通过率”这个比例感也值得内化为预期：另类数据绝大多数是噪音。②**“同一套信号、不同目标函数 → 多套预测”** 打开了一个少被利用的分散化维度：多数团队只在信号层做分散（不同因子），而贝莱德把”优化目标”本身当成了分散化来源（同一信号在熊市目标下自动变成低波低 Beta 组合），这在国内的落地形态可以是”同一 alpha，按不同风险预算/约束模板生成多套持仓再合成”。③Man Group”宏观状态向量 + 相似历史时段选因子”是把因子择时降维成状态匹配，与国内做 DTW 相似行情匹配择时是同一族方法，但这里只用于”选因子”不用于”择时”，风险敞口小得多，更值得试。④对 Agentic AI 的定位需保持清醒：Man Group 自己强调全流程仍需投研人员高频监控、上实盘前需严格检验，说明当前阶段它是”研究提速工具”而非”决策主体”，与长江刚发布的 AI Agent 投研工具预告可以对照看。⑤警惕：这是综述而非实证，全部结论来自公开资料，不能作为业绩证据引用；且海外机构在交易成本、做空约束、因子拥挤度上与 A 股差异很大，“主动+量化结合”（普信 Integrated、MFS Blended、John Hancock”三圈”法）这类模式的可迁移性尤其需要打折。

2. 方法论主题归类

• 数据驱动：本期最集中的一桶。广发在 Level-2 上继续开新切面——“未兑现的意愿”（撤单）^[3] 与”知情概率”（VPIN/DPIN）^[4]，两者共同的方法论是从成交数据转向成交之外的行为痕迹，且都验证了与存量因子的低相关性。申万则把视角抬到数据治理层，给出另类数据的评估标准与正交入库流程 ^[5]。
• 模型与算法：两条互补路径——广发 StableAlpha 在”模型学到了什么”这一侧做诊断，把风格捷径拆成标签、样本权重、输入数据、风格周期性四个来源 ^[1]；申万在”模型该在哪训练”这一侧做分域，并给出”后视镜标签作对照组”的验证设计 ^[2]。前者治因子端的风格污染，后者治训练端的样本异质性。
• 新因子构建：撤单因子的三类切分（活跃度 / 日内时间结构 / 快慢撤单差异）与部分撤单的特殊地位 ^[3]；VPIN/DPIN 的”行为×时间×统计”笛卡尔积 ^[4]——两者都是”先定义算子空间、再穷举组合”的因子工厂范式。
• 框架与方法：海外量化的”系统化能力”转向，含另类数据四标准、三步测试、同信号多目标函数的预测分散、宏观状态向量选因子 ^[5]——本期唯一的”研究流程层”输入。

3. 值得持续追踪的系列

• 广发金工”量化·精选·致远-2026 深度研究”：本期召回第十六、十七、十八连续三篇 ^[4][1][3]，分别对应知情交易、StableAlpha、撤单——是该系列首次形成”Level-2 微观结构 + 深度学习稳定性”的双主线连发，值得按序回读看其因子库分层结构如何演化。
• 广发金工”海量 Level 2 数据因子挖掘”系列：本期更新至第七篇（知情交易）^[4] 与第八篇（撤单）^[3]。该系列此前的切面已含大小单、长短单、集合竞价、市价订单、重点时段，七、八两篇的共同特征是从”是什么”转向”想做什么”（意图类信息），可预期后续会继续挖未成交委托、报价修正等。
• 申万宏源”量化策略演进手记”系列：本期展开至之三（GRU 时序分域）^[2]。该系列自陈的下一步是”从单一硬分域转向 regime switching 或动态模型混合、把状态概率作为特征或模型权重”，是追踪”神经网络选股如何适配市场状态”最直接的一条线。
• 申万宏源”海外量化研究系列”：本期为之七 ^[5]，其前序已覆盖机器学习选股在海外公募的落地、宏观因子配置、另类数据因子挖掘、研报文本大模型选股。本期新增的两个观察点是”Agentic AI 的工程化边界”与”另类数据的拒绝率问题”。
• 长江金工”高频因子”系列：本期召回第十九篇（时间段切割因子）^[6]，与前期已覆盖的第二十篇（时间点划分因子）同属”离散向量”算子分类学——第十九篇的核心是把时间段视为离散向量、以振幅/收益率/换手为连续向量，其中”振幅边际异常相对波动”因子市值行业中性后 IC 4.11%/5.56%、量价中性后降至 2.88%/3.66%。两篇合看可完整理解长江的算子挖掘体系。

---

附：补充信源

• ^[7] 广发金工 — 择时周报，但末尾披露其”AI 识图”线索：基于《基于卷积神经网络的股价走势 AI 识别与分类》等报告，对个股窗口期价量数据构建标准化图表、用 CNN 对图表化价量与未来价格建模，再把学习到的特征映射到行业主题板块，最新配置主题为能源、银行、红利。属周报一句话带过，方法细节须回溯早前深度报告。
• ^[8] 长江金工 — “智研新范式——AI Agent 驱动的投研工具与应用创新”：目前仅有标题与一句导语（“本次分享将带来最新实践与应用案例”），无正文，无法判断方法实质，仅作待追踪线索登记。
• ^[9] 国信金工 — 主动量化策略周报：报告本身为跟踪型，但其附录列出的往期专题清单是一份可用的选题索引，其中与本期主题相邻的有《日内特殊时刻蕴含的主力资金 Alpha 信息》（2025-07）、《基于主动买卖特征的高频订单因子改进》（2024-08）、《高频订单成交数据蕴含的 Alpha 信息》（2024-01）、《风险模型全攻略——恪守、衍进与实践》（2025-07）、《启发式分域视角下的多策略增强组合》（2025-04）——最后两篇与本期”分域训练”高度相关，值得回溯。
• ^[6] 长江金工 — 高频因子系列第十九篇（时间段切割因子）：与已覆盖的第二十篇构成同一算子系统，若要自建高频因子库，建议两篇合读并对照其”市值行业中性 / 量价中性”两套实证的衰减幅度。

---

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。