“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

分类：金融科技

标签：机器学习、量化选股、量价指纹、行为选股、多因子

摘要：本报告为国盛证券“机器学习”选股模型系列研究的第二篇，聚焦量价指纹模型的迭代升级，提出将“行为选股”与“条件风格收益”进行协同建模的方法论，旨在提升机器学习因子在A股量价数据上的预测能力与样本外稳健性。报告首先回顾了传统多因子模型与机器学习选股的差异，指出纯数据驱动的树模型或神经网络易陷入过拟合、因子衰减与风格漂移，尤其在市场风格剧烈切换时容易回撤，因此需要在特征层面注入对经济行为的理解，而非仅依赖黑箱拟合。为此，报告构建了量价指纹（WPE）特征体系——通过对个股高频与低频量价序列进行波形、能量、形态与换手结构的编码，刻画资金交易行为的“指纹”特征，使模型能够捕捉不同于传统动量、反转、波动率与流动性因子的非线性模式，例如大单足迹、尾盘异动、量价背离结构与订单流不平衡等微观结构信号。在此基础上，报告引入CDE（条件风格收益分解）框架，将市场整体收益按风格状态（如动量占优、反转占优、高波动、低流动性环境）进行条件化分解，使模型在不同市场状态下自适应地施加权重，缓解单一因子在风格切换期的失效问题。核心创新在于“行为选股×条件风格”的协同：以行为指纹刻画个股微观交易结构，以条件分布刻画宏观风格

来源：zuudee | 日期：2026-08-17 | 格式：PDF | 页数：39