炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：建榕量化研究）

事物内部的各要素之间，往往存在着对立统一的矛盾。在金融市场中，当人们普遍预期的行为模式未能出现时，常常只是因为代理变量选得不好，以致未能窥见其内部更为本质的精细结构。我们在近十几年的因子研究历程中，既收获了大量个性鲜明的独家因子，也从中领悟了系统普适的方法论——因子切割论，详见我们于2020年9月发布的专题报告《因子切割论》（魏建榕、苏俊豪）。

在2023年的专题报告《遗传算法赋能交易行为因子》（魏建榕，盛少成）中，我们创新性地提出“切割算子”，并结合其他算子和变量，利用改进的遗传算法流程，经过1轮10代的挖掘，得到了开源金工遗传算法因子，因子在样本内外整体表现优异。本篇报告我们尝试将因子切割论思想与神经网络模型结合，提升模型的信息提炼能力与预测效果。开源证券长期关注金融科技发展，本项研究的高效开展，得益于开源证券总部高性能服务器资源的稳定算力支持。

01

因子切割论回顾：剖析市场精细结构的利器

我们以开源金工“理想反转因子”的开发过程为例展开讨论。众所周知，

A

股市场中的反转效应比较显著，典型的代理变量可取为

Ret20

（最近

20

日的区间收益率）。然而，反转因子

Ret20

一方面是收益很强劲，另一方面却是稳定性很不理想、常常出现较大回撤。在这种“用之不安、弃之可惜”的困境下，对传统反转因子的改进，是一个非常具有吸引力的课题。

我们最初的灵感触发点，是来自咖啡店里一件非常简单直白的事情：既然花式咖啡的成分里可以有苦有甜，那么涨跌幅的成分里为何不能区分出反转和动量？我们留意到，传统反转因子本质上是一段区间的涨跌幅，可以被很自然地拆分为许多更小的时段。那么，会不会存在这样的情况：组成传统反转因子的各个时段中，某些时段贡献了很强的反转，而某些时段只是贡献了很弱的反转、甚至是贡献了动量效应？换而言之，信息在时间轴上的分布可能是不均匀的。这是我们分析的出发点。

上古的神话传说中，盘古用巨斧在一片混沌中开辟出了天和地。面对分布不均匀的市场信息，我们的处理方法也是如出一辙——切割。切割是剖析精细结构、寻找最优变量的有效方法。下面以我们独家理想反转因子的构造过程为例，阐述开源金工因子切割论的思想：

（1）对选定股票，回溯取其过去20日的数据；

（2）计算该股票每日的平均单笔成交金额（成交金额/成交笔数）；

（3）单笔成交金额高的10个交易日，涨跌幅加总，记作M_high；

（4）单笔成交金额低的10个交易日，涨跌幅加总，记作M_low；

（5）理想反转因子 M = M_high–M_low；

（6）对所有股票，都进行以上操作，计算每只股票的理想反转因子M。

我们从前文讨论中可以归纳出因子切割论的三个要素：

对象：具有可加性的目标变量

刀法：有区分能力的切割指标

产出：对切割后变量的再加工

关于对象。我们要求对象要具有可加性。所谓可加性，是指在时间轴上对“整体”进行分割后所得到的“部分”，其变量含义保持不变，并且可以重新进行组合加总。在“理想反转因子”的步骤中，切割对象为股票的涨跌幅。涨跌幅是具有可加性的母变量，股票20日的总涨跌幅被拆分为逐日的涨跌幅，进而被重新分组加总为M_high和M_low两个子变量。具有类似性质的对象，还有换手率、成交量、日均振幅等常见量价指标，而流通市值、市盈率等指标则显然不具有可加性。

关于刀法。对信息有区分能力的指标则犹如盘古开天辟地的大斧，是切割论的核心所在。在“理想反转因子”的构造中，我们选定了股票每日的“平均单笔成交金额”作为切割指标。我们根据切割指标的大小，把股票的逐日涨跌幅分为两组，若两组之间表现出显著差异，则说明我们的切割达到了目的。

切割指标的形式和来源，往往需要我们不拘一格、匠心独运。在开源金工独家的众多交易行为因子中：聪明钱因子使用“机构参与痕迹”在分钟数据上进行切割，APM因子直接以“日内交易时段”为依据切割，理想振幅因子则以“股票高低价态”为切割指标。

关于产出。切割完成之后，我们对信息进一步加工便可得到最终产出。我们可以单独选用切割后信息含量高的部分，作为新因子的代理变量，此时切割过程相当于起到了沙里淘金、信息提纯的作用。在更多情况下，我们推荐使用“相减或相除”的操作，把切割后的各部分信息都纳入到新因子的构造中。“相减或相除”在隐蔽之处起到了“标准化”的重要作用。被减去的部分，通常并未带来显著的收益增量，却提供了公允标准化的水准线，从而最终提升了因子的稳定性。

关于逻辑。切割论的提出来源于市场信息分布的不均匀，而其底层的逻辑，是投资者在不同市场环境下的行为差异。切割的本质在于寻找合理的市场环境代理变量，使其可以对投资者的行为进行有效的区分，为此我们需要对切割对象所表征的交易行为有更深入的理解。仍然以“理想反转因子”为例。在研究报告《A股反转之力的微观来源》（魏建榕、傅开波）中，我们剖析了理想反转因子有效性的原因：反转效应来源于投资者的跟风效应与过度反应，而在大单交易更多的时候，这类行为也会更多，从而使得后续的反转效应更强。简而言之：反转之力的微观来源，是大单成交。大单成交较多的交易日，其平均单笔成交金额也较大，因此我们的模型可以获得理想的切割效果。

02

DBD-GRU模型：因子切割论与深度学习的有机结合

从理想反转因子以及表1中各因子的构造过程，我们可以抽象出因子切割论下的因子构造的一般流程，如图3所示。特征A代表切割指标，特征B代表切割对象，f代表对切割对象进行再加工的函数。

我们使用GRU模型进行时序信息提取，GRU是一种改进的循环神经网络，通过两个门控机制动态控制信息流动，在处理序列数据（如时间序列、文本）时表现良好。我们将切割论思想与GRU模型结合，构造如图4所示的双分支差异网络模型（Dual-Branch Difference GRU，以下简称DBD-GRU模型）。

在DBD-GRU模型中，假设输入的数据包含了A、B两个特征，其中特征A为切割指标。我们以特征A在时序上的中位数为阈值，构造两个掩码和，将使用掩码处理后的数据分别输入两个分支网络和中。取两个网络最后一个时间步的差异输入输出层。

本篇报告选取A股2010年1月~2025年5月的数据进行模型的训练与测试，以5年为窗口滚动训练模型，每年年底更新。为提高训练效率，在构建训练集数据时，采取按周抽样的方法，在每周最后一个交易日回溯过去20个交易日的数据。

模型的其他训练参数如下表所示：

我们选取表4中的三个基于日线数据的切割论因子作为改进对象，三个因子中，理想反转因子的构造过程在第一部分已经列出，理想振幅因子与主动买卖因子的构造过程详见附录。在构造DBD-GRU模型时，将对应因子的切割指标与切割对象作为特征输入模型，使用切割指标生成掩码。同时，选择GRU模型作为基线模型，基线模型的输入特征为不经切割掩码处理的切割指标与切割对象，其他参数设置与DBD-GRU模型一致。因子测试区间为20241231~20250530，月频调仓，测试时剔除上市未满60天的新股、因涨跌停无法成交的股票以及ST股票，并对因子进行市值行业中性化。

切割论因子的分组表现与绩效指标如图5~6与表5所示。理想反转因子与理想振幅因子整体表现优异，在测试区间内十分组多空组合年化收益均可达20%以上。其中，理想反转因子自2018年底发布至今已有近7年时间，因子在样本外表现十分稳健，经受住了市场的考验。不过，从图6我们也可以发现，理想振幅因子与理想反转因子在10分组下的分组收益并不完全单调。

同样的，我们对基线模型下的几个因子进行测试，测试结果如图7~8与表6所示。相较于原始的切割论因子，基线模型下几个因子的表现均有较大提升，其中主动买卖因子提升最为明显。同时，理想振幅-GRU、理想反转-GRU因子的分组收益单调性相较原因子也有所改善。

最后，我们测试DBD-GRU模型下各因子的表现，如图9~10与表7所示。和基线模型相比，DBD-GRU模型的表现进一步提升。其中，理想振幅-DBD的RankIC为-10.33%，提升最为明显（基线模型中为-8.26%）；理想反转-DBD在RankICIR（-3.28% vs 3.57%）与多空年化收益率（33.79% vs 37.62%）上也有较大提升；主动买卖-DBD则与基线模型表现相当。

分年来看，三个因子的表现如表8所示，在测试区间内，DBD-GRU模型的三个因子在每一年的多空对冲与多头超额收益均为正值，总体表现十分稳健。

图11展示了各因子之间的相关性。可以看到，使用相同数据的因子（如理想反转因子、理想反转-GRU、理想反转-DBD）两两间相关性较高，其中DBD-GRU模型与切割论因子相关性明显高于GRU模型与切割论因子的相关性，这表明DBD-GRU模型确实对“切割”做了有效融合。

DBD-GRU模型可以看作是切割论与GRU模型的有机结合，那么，模型在二者的基础上提供了多少增量呢？我们把DBD-GRU模型因子分别对切割论因子和GRU模型因子作截面回归以剔除两者的影响，计算残差因子的RankIC均值。作为对比，我们还计算了GRU模型因子剔除DBD-GRU模型因子的表现。如图12所示，DBD-GRU模型因子在剔除切割论因子与GRU模型因子后仍有较强的预测能力。而GRU模型因子在剔除DBD-GRU模型因子后预测能力大幅削弱，RankIC绝对值均小于2%。

最后，我们测试DBD-GRU模型因子在主流宽基指数（沪深300、中证500、中证1000）中的因子绩效与指增选股效果。由于DBD-GRU模型下的几个因子相关性较高，我们先对因子做对称正交处理，再将处理后的因子等权合成为DBD-Combine因子。

在构建指增组合时，我们以最大化因子暴露为目标，并规定以下约束条件：

（1）个股权重偏离：上限1%；

（2）行业权重偏离：上限2%；

（3）Barra风格暴露偏离：上限0.2个标准差；

（4）成分股约束：权重不低于80%；

（5）换手率约束：上限50%。

在沪深300中，DBD-Combine因子RankIC均值为-5.76%，RankICIR为-1.87。如图13、14所示，因子RankIC序列总体表现平稳，十分组多空年化收益为14.9%。指增组合层面，组合超额表现十分稳健，年化超额收益为7.64%，超额IR为1.84，超额最大回撤仅3.37%。

中证500中，因子的RankIC与Rank ICIR分别进一步提升至-7.40%与-2.58，十分组多空年化收益为17.5%。不过，从图16也可以发现，近两年来因子选股能力有所减弱。指增组合层面，组合年化超额为7.23%，超额IR为1.37，超额最大回撤为6.43%。

中证1000中，因子表现与全市场选股最为接近，RankIC可达-9.84%，RankICIR为-3.48，十分组多空收益则为30.8%。指增组合表现优秀：年化超额收益率11.8%，超额IR为2.21，超额最大回撤3.94%。

03

附录：理想振幅因子与主动买卖因子的构造过程

理想振幅因子用来衡量股票高价态和低价态振幅信息差异程度，具体步骤如下：

（1）    对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）；

（2）    选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子  ；

（3）    选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子  ；

（4）    将高价振幅因子  与低价振幅因子  作差，得到理想振幅因子  。

详细构造步骤请参考开源金工专题研究报告《振幅因子的隐藏结构》（魏建榕、高鹏、苏俊豪）。

本文中，主动买卖因子（小单）构造方法如下：

（1）    对选定股票，回溯其过去过去20个交易日的数据，计算每日的股票涨跌幅与小单流入强度，其中，小单流入强度的计算公式为：

（2）    选择收盘价较低的25%有效交易日，计算小单流入强度均值，得到主动买卖因子（小单）。

主动买卖因子衡量了散户在下跌市场环境中的交易行为，对于各类资金流的详细讨论请参考开源金工专题研究报告《主动买卖因子的正确用法》（魏建榕、傅开波、苏俊豪）。

值得注意的是，在构造主动买卖因子时，我们并未采用相减的操作，而是只取用了其中的一部分。这也是对应的DBD-GRU因子与切割论因子相关性较低的原因：原切割论因子中并未包含“相减”的结构。

模型测试基于历史数据，市场未来可能发生变化。

更多交流，欢迎联系:

开源证券金融工程团队 | 魏建榕 张翔 傅开波 高鹏 苏俊豪 胡亮勇 王志豪 盛少成 苏良 何申昊 蒋韬