20250726-开源证券-市场微观结构研究系列（28）_因子切割论与深度学习的结合应用_16页_1mb

因子切割论与深度学习的结合应用总结

本文是开源证券研究团队对金融工程领域的探索，聚焦于因子切割论与深度学习模型的结合应用。

因子切割论是一种系统分析金融市场精细化结构的方法，核心要素包括：

• 对象：具有可加性的目标变量（如涨跌幅、成交量等）
• 刀法：有区分能力的切割指标（如平均单笔成交额、股价高低分位等）
• 产出：对切割后变量的再加工（如相减、相除等操作）

报告以“理想反转因子”为例，说明切割论的应用过程：通过将交易日按单笔成交金额分为高低两组，并计算两组的差异，形成理想反转因子，其有效性源于大单交易与其的关联性。

DBD-GRU模型将因子切割论思想与循环神经网络（GRU）结合，构建了一个双分支差异网络模型。该模型通过切割指标生成掩码，将数据分为两组并输入两个分支GRU网络，取其差异作为输出，有效捕捉市场分割中的非均匀信息分布。

模型性能表现

基于2014年至2025年数据的测试表明，DBD-GRU模型优于传统切割论因子和GRU基线模型，其改进因子（理想振幅因子、理想反转因子、主动买卖因子）的多空年化收益均提升显著，RankIC指标表现优异，信息比率更高。
进一步，将三个改进因子对称正交后等权合成DBD-Combine因子，在多个市场指数中表现稳定。例如，在沪深300中，其指增组合的超额收益为7.64%；在中证1000中超额收益达11.8%，信息比率达到2.21。

风险提示

研究强调模型基于历史数据，存在一定局限性，并指出未来市场环境可能改变，需谨慎应用。

综上，因子切割论提供了精细化因子构造方法，DBD-GRU模型成功融合了该理论与深度学习，提升了市场微观结构分析与预测能力。研究建议在投资策略中应用改进因子与组合因子，以提高收益率，同时针对未来市场变化保持风险管理意识。