（来源：华泰证券研究所）

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%。

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%。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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

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。

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