华泰 | 金工：基于日内量价结构的神经网络因子挖掘框架

点击查看研报原文

核心观点

人工智能106：基于日内量价结构的神经网络因子挖掘框架

日内量价路径蕴含了价格变化、成交活动及其时序关系的信息，固定的统计规则可能难以充分提取其中的有效信号。本文构建Value–Weight神经网络因子挖掘框架，将分钟信息表达与时序权重生成分离，通过多头联合学习获得一组可独立评价和组合的日频因子。2017-01-04至2026-09-30的回测显示，挖掘因子与人工高频特征构建的模型等权合成后，后者的RankIC由10.8%提升至12.2%，多头组年化超额收益由18.1%提升至22.5%。进一步将其纳入全频段量价因子，中证1000指增组合年化超额收益由17.7%提升至19.3%，信息比率由3.18提升至3.33。

实验方法：分钟信息表达与时序权重分离，多头联合挖掘日频因子

本文以个股单日240根分钟K线为输入，将因子生成划分为三个环节：（1）分钟信息表达：Value模块采用固定公式或可学习网络，描述每一分钟的价格形态与成交信息。（2）时序权重生成：Weight模块采用GRU或Transformer，根据当日量价路径学习各分钟的相对重要性。（3）日频聚合：各输出头分别对分钟信息加权求和，形成50个日频因子。模型在损失函数中结合合成监督、逐头监督和去相关约束，同时优化整体预测能力、单因子有效性与头间冗余，并采用季度滚动方式开展三组对比实验。

实验结果：价格类表达效果较优，可学习因子合成后提供增量

实验结果显示：（1）固定Value组中，分钟收益、收盘位置、实体比例等价格类表达表现较优，Transformer Weight在这类因子上的表现整体强于GRU。（2）可学习Value组50个因子的RankIC主要集中在5%至7%，头间相关性较低，等权合成后的预测能力和多头表现均有提升。（3）在2017-01-04至2026-09-30的回测区间内，将可学习50头等权因子与人工高频特征构建的高频量价分支等权合成，RankIC由后者的10.8%提升至12.2%，多头组年化超额收益由18.1%提升至22.5%，体现出两类信息提取方式的互补性。

指增组合测试：高频增强提升超额收益，动量与多路径改善回撤

将挖掘因子加入全频段量价因子的高频分支，构建中证1000指数增强组合。在2017-01-04至2026-09-30的历史回测中，高频增强组的年化超额收益由原全频段组合的17.7%提升至19.3%，信息比率由3.18提升至3.33，超额收益最大回撤由16.1%下降至14.2%。考虑到量价因子在强动量行情中的回撤风险，进一步加入由行业成交集中度及上涨趋势共同控制的抱团动量因子，并采用五路径周频调仓。两项调整后，组合年化超额收益达到20.2%，信息比率4.25，超额收益最大回撤降至7.1%。

正文

基于日内量价结构的神经网络因子挖掘

日内量价信息的预测价值不仅取决于价格变化和成交活动的强弱，也与其发生时点及演化过程有关。相近的日收益率和成交量，可能对应不同的日内路径，蕴含不同的交易信息。人工高频因子通常通过预设时段和统计公式刻画这些差异，具有较强的可解释性，但固定的信息提取方式对不同股票和交易状态的适应性存在局限。
本文构建基于日内量价结构的神经网络因子挖掘框架，将因子生成拆分为分钟信息表达（Value）与时序权重生成（Weight）两个模块。Value通过固定公式或可学习网络描述分钟量价信息，Weight根据当日路径分配不同分钟的权重，两者加权聚合得到多个日频因子。模型结合逐头收益监督与去相关约束，兼顾单因子的预测能力和因子间的互补性。

本文围绕Value表达方式及GRU、Transformer两类时序网络设置三组实验，实证结果表明，固定Value中的价格类表达具有较好的选股效果；可学习Value生成的因子具有一定互补性，等权合成后预测能力进一步提升，并能为人工高频特征构建的模型提供增量信息。自2017-01-04至2026-09-30，高频增强后的全频段因子对应中证1000指增组合年化超额收益由17.7%提升至19.3%；进一步加入抱团动量因子并采用多路径调仓后，年化超额收益达到20.2%，信息比率4.25，超额收益最大回撤为7.1%。

实验方法
日内量价信息的预测作用可能随发生时点变化，固定的统计区间与聚合规则未必能充分反映这种差异。借鉴Beckmeyer和Wiedemann（2025）在CMM模型中学习历史日收益权重的思路，本文根据个股当日量价路径，利用神经网络学习不同分钟的聚合权重，构建一套日内时序量价因子挖掘模型。
模型包括分钟信息表达、时序权重生成和日频聚合三个环节。个股单日的分钟K线分别输入Value与Weight模块：Value模块生成各分钟的量价表达，Weight模块生成各头对应的分钟打分；打分经Softmax转化为权重后，对Value加权求和，得到多个日频输出头，作为模型优化对象。模型整体结构如下。
Value模块：分钟信息表达
Value模块描述每一分钟包含的价格形态与成交信息，本文通过固定公式或可学习网络两种方式生成日内量价信息表达。用于生成量价信息表达的输入特征为分钟K线，包含高开低收、成交均价、成交量、成交额和成交笔数共8个字段，股票i在交易日t、分钟m的分钟K线特征表示为x_i,t,m。

固定Value通过预设函数提取分钟特征。设k(h)为输出头h对应的公式编号，则：

同一公式可以配置多个输出头：这些头共享相同的分钟Value，但使用Weight模块生成的不同权重，因而可以形成不同时间加权模式的因子。本文构造10类简单表达公式作为示例，具体计算方式如下。

可学习Value则由神经网络直接学习分钟特征，每一分钟直接输出H维量价表达。其中输入分钟特征中包含经预处理的量价字段及时间编码等，具体处理方式如下。神经网络则由两层线性层构成，网络参数在股票和分钟之间共享，各输出维度联合学习，不再与某一固定公式一一对应。

Weight模块：时序权重生成
Weight模块根据当日量价路径生成分钟打分，并通过Softmax归一化，为各输出头生成日内240分钟的逐分钟权重。结构如下。
其中Weight模块输入特征与上节可学习Value模块基本一致，但考虑到Weight负责分钟间相对权重分配，因此将3个绝对成交规模特征去除，主要根据日内价格路径、成交活动的相对强弱和时间位置分配权重。
本文采用GRU、Transformer两种时序神经网络作为Weight模块的权重生成模型。记经预处理的当日序列为X_i,t，f_theta,h为第h个头的打分函数，则：
各头分别沿分钟维度进行Softmax归一化：
其中，M_i,t,h为该头的有效分钟集合，tau为温度参数。无效分钟权重直接置零，有效分钟权重之和为1。
日频因子聚合
得到逐分钟的量价表达和分配权重后，每个输出头将两者在时序上加总，形成原始日频因子，结构如下。
为统一不同输出头的数值尺度，在时序加权求和后利用BatchNorm对每个截面内各输出头因子进行标准化，其中BatchNorm参与梯度计算，但训练与预测均使用当日统计量，不累计跨日均值和方差，也不额外学习平移或缩放参数。模型保留全部H个标准化因子，同时也计算其等权平均，作为用于联合监督的合成预测项。
损失函数设计
训练目标同时约束合成预测能力、单头有效性与头间冗余。记F_i,t为各输出头等权平均的合成预测项，Z_i,t,h为第h个输出头经过标准化后的输出因子，y_i,t为未来收益标签，则损失函数定义为：
其中，相关性均为当日股票截面上的Pearson相关系数。损失函数定义为三项之和：（1）合成监督项优化整体预测，（2）逐头监督项使每个因子直接接受收益约束，（3）去相关项降低多个头重复表达相似信息的倾向。
实验设置
本文围绕分钟信息表达方式与时序权重生成方式，设置三组因子挖掘实验：
1、固定Value＋GRU Weight：使用前文定义的10类分钟量价公式，每类公式配置5个输出头，共生成50个日频因子，Weight模块采用单层GRU。
2、固定Value＋Transformer Weight：Value模块同上，Weight模块采用单层Transformer Encoder生成分钟权重。
3、可学习Value＋GRU Weight。以前文定义线性层替代固定公式，输出50维信息表达。Weight模块与第一组相同。两部分联合训练，共生成50个日频因子，各头的分钟表达与聚合权重均由模型学习。
其余模型训练参数设置及细节如下。
实验结果
因子挖掘效果
基于上节介绍实验设置，共进行（1）固定Value＋GRU Weight、（2）固定Value＋Transformer Weight、（3）可学习Value＋GRU Weight三组实验，以对比量价信息描述方式与时序权重学习模块性能表现。结果汇总如下。
固定Value组
实验（1）、（2）使用10种固定量价信息表达作为Value网络，各挖掘得到50个因子，表现如下。考虑到因子数量较多，本节将同类的5个因子等权平均后展示其详细回测指标。
结果表明：
1、价格类因子表现强，且时序上较为稳定，均取得正向RankIC和多头组超额；
2、成交类因子中成交量、成交额和成交笔数基本无效，每笔成交量和每笔成交额有一定效果，但后者在时序上不稳定；对比Weight模型，从挖掘因子的RankIC和多头组超额看，Transformer各组因子表现均强于GRU。
进一步统计因子间相关性，首先对比相同模型挖掘因子间相关性。以固定Value + Transformer Weight组为例，结果如下。可以发现，得益于因子挖掘模型在多头输出优化时添加的相关性控制项，50组因子间相关性均在较低水平，其中相同类型的5个因子间相关性相对较高，但也基本控制在0.8以下。
接着观察不同Weight模型挖掘相同Value表达因子间相关性，以“分钟收益”为例。可以发现，不同模型挖掘因子间相关性低于相同模型挖掘的同类因子间相关性，GRU与Transformer挖掘同类因子的Spearman相关性均在0.5以下。
可学习Value组
实验（3）用神经网络作为Value模块自适应提取量价表达，同样输出50个因子，并控制其相关性，结果汇总如下。
可以发现，由于无明确Value表达限制，该组50个因子间表现均接近，RankIC集中在5%至7%间。因此本节按照RankIC均值从高到低排序，选取表现前十因子，以及全部50因子等权平均因子展示其详细回测指标。
结果表明，该组因子普遍有效，RankIC和多头组超额收益在时序上均较为稳定，且等权合成因子表现突出，相较于单因子提升显著。
进一步统计因子间相关性，结果如下。可以发现，该组50个因子间相关性较低，仅少数因子间相关性高于0.5。
因子合成
本节尝试将上文构造的神经网络高频因子加入选股因子体系。华泰金工前期研究《基于全频段量价特征的选股模型》（2023.12.8）中以人工构造的高频特征作为输入构建了高频量价分支，并进一步与低频量价分支合成得到全频段量价因子。
本节首先以高频量价分支作为基准，探究神经网络挖掘高频因子相比人工构造因子是否具有增量信息。将上节实验（3）中可学习Value加GRU Weight模型挖掘得到的50头等权因子与全频段量价因子中的高频量价分支按照1:1等权合成，结果如下。
进一步统计两者间的截面相关性，结果如下。
结果表明：
1、神经网络挖掘高频因子相比人工构造高频因子在RankIC、多头组超额指标绝对值有优势，但稳定性有所下降；
2、两者相关性在时序维度维持在50%至70%的水平，虽信息源同为高频特征，但因子间信息重合度较低；
3、两者合成因子在RankIC、多头组超额等指标上均有较显著改进。
基于以上结论，本节将可学习50头等权因子加入全频段量价因子的高频分支，构建高频增强版全频段量价因子。构造方式与因子回测结果如下。
组合实证
本小节尝试基于以上选股因子构建组合进行实证。组合优化及回测细节如下。
两组因子组合业绩指标汇总如下。
可以发现，经高频增强后的全频段因子可稳定提升组合超额收益，不过由于全频段因子较强的反转暴露，其在今年二季度强动量行情中仍面临持续深度回撤。因此本节将抱团动量因子加入高频增强后的全频段量价因子，尝试应对类似的抱团强动量行情。抱团动量因子构造方式如下。
其中D为上涨行情确认系数，q为行业成交额占比的HHI集中度系数的时序分位数。当行情上涨且行业成交集中度分位超过80%后，标准化动量因子mom_20的配置强度随分位提高而线性增加。加入该因子并将组合优化改为多路径后组合业绩指标汇总如下。
可以发现，经动量优化后组合在抱团上涨行情中有效规避了深度回撤，跟踪误差、超额回撤指标均得到了有效改善。

本研究还有以下未尽之处：

1、固定Value模块仅尝试了10个基础字段，且未将量价指标相结合构建量价描述指标，后续可尝试扩展量价表达字段并提升输出数量、提升实验数量；
2、模型结构方面，可学习Value模块仅使用GRU Weight模块进行搭配，且Value模块仅用简单线性层，未来均可尝试替换和扩展。

参考文献

Beckmeyer, H., & Wiedemann, T. (2025). All Days Are Not Created Equal: Understanding Momentum by Learning to Weight Past Returns. Journal of Banking & Finance, 181, 107565. https://doi.org/10.1016/j.jbankfin.2025.107565

风险提示
人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。深度学习模型受随机数影响较大。本文回测假定以VWAP价格成交，未考虑其他影响交易因素。

文章来源

研报《金工：基于日内量价结构的神经网络因子挖掘框架》2026年10月15日

研究员：浦彦恒S0570526070005

研究员：沈   洋 S0570525070013

研究员：王晨宇 S0570522010001 | BTM049

关注我们

华泰证券研究所国内站（研究Portal）

https://inst.htsc.com/research

访问权限：国内机构客户

华泰证券研究所海外站

https://intl.inst.htsc.com/research 

访问权限：美国及中国香港金控机构客户

添加权限请联系您的华泰对口客户经理

免责声明

▲向上滑动阅览

本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。

本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。