技术摘要：机器学习增强的多因子量化交易

1. 问题定义：上游污染

本文指出了中国 A 股量化交易流程中一个关键但常被忽视的缺陷：上游污染。

在 A 股市场，每日涨跌幅限制（主板±10%，科创板/创业板±20%）意味着触及涨跌停板的股票收盘价是不可执行的（未匹配的买单无法成交）。行业惯例是在全量数据集上计算滚动窗口因子（如移动平均、相关性、排名），并在聚合后过滤掉不可交易的股票。

作者证明，这种“事后”过滤是失败的，因为滚动窗口原始算子已经读取了不可执行的价格。这些被污染的值会传播至整个因子链，产生“幽灵 Alpha"。

• 后果：模型学习预测机械性高回报（由涨停股导致）但无法交易的收益。
• 影响：在真实数据上，忽略此偏差会使表观信息系数（IC）虚高18%，同时将实现夏普比率降低0.44。这是一种前视偏差，即模型预测了不可交易的事件。

2. 方法论：掩码优先架构

核心贡献是一种**“掩码优先”设计模式**，即在数据加载时构建布尔可交易性掩码（$M \in \{0, 1\}^{T \times N}$），并将其贯穿于每个计算算子中。任何窗口都不会读取不可交易的价格。

A. 系统组件

1. 掩码感知原始算子（GPU 向量化）：

   • 使用 torch.unfold 在 GPU 上实现了 18 个自定义 PyTorch 原始算子以处理滚动窗口。
   • 速度：相比标准 pandas 实现实现了51 倍加速（在 A100 上，3000 只股票、213 个因子的流水线耗时从 542 秒降至 10.6 秒）。
   • 逻辑：
     • 排名：掩码单元格在排序前填充为 $+\infty$ 以排在最后，随后归零。分母使用有效单元格计数，而非股票总数。
     • 相关性：计算掩码后的皮尔逊相关系数；如果窗口内任何单元格被掩码，则输出标记为不可靠。
     • 指数加权移动平均（EWMA）：遇到掩码单元格时保留前一个累加值而非重置，防止漂移。
   • 精度：对基于递推的原始算子使用 float64 以避免累积误差（在 2500 步后观察到 float32 存在 0.3% 的相对误差）。

2. 因子引擎：

   • 213 个因子：由 9 个精心策划的 Alpha101 公式和 204 个特定于 A 股微观结构的遗留因子组成（例如 VWAP 偏差、换手率动态、涨跌停流动性紧缩）。
   • 中性化：所有因子在横截面 Z 分数化之前，通过 OLS 对行业哑变量（29 个 CSI 类别）和市值对数进行残差化处理。

3. 机器学习训练：

   • 数据集：双向过滤确保特征日期（$t$）和标签日期（$t+1$）均可交易。
   • 调整均方误差（Adjusted-MSE）损失：一种自定义损失函数，对错误符号预测的惩罚力度是幅度误差的 11 倍（$\gamma=0.1$）。
     • 理由：投资组合经理因方向性错误（买入下跌股票）遭受的损失大于幅度错误（未充分买入盈利交易）。
   • 架构：测试了一个小型 MLP（4.4 万参数）和一个因子轴 Transformer（22 万参数），其中因子被标记化为序列位置。
   • 数据增强：使用**块自举几何布朗运动（Block-Bootstrap GBM）**生成合成收益面板。这保留了短程序列相关性并平滑了损失景观，特别有助于 Transformer 避免灾难性过拟合。

4. 投资组合构建：

   • 优化：均值 - 方差优化（Markowitz），使用 Ledoit-Wolf 收缩进行协方差估计。
   • 约束：仅做多，最大持仓 3%，风险厌恶系数 $\alpha=10$。
   • 效率：使用 cvxpy 配合热启动缓存，通过避免重复的问题规范化，将每日求解时间从约 1.2 秒减少至约 0.2 秒。

3. 关键结果

该系统在合成面板（3000 只股票，14 年）和专有真实 A 股数据（2022–2024 年）上进行了评估。

消融研究

本文隔离了每个组件的贡献，揭示数据工程优于模型复杂度：

1. 掩码契约：单一最大贡献者（+0.44 夏普）。移除它会导致实现性能大幅下降，尽管表观 IC 更高。
2. 调整均方误差损失：相比标准 MSE 增加**+0.27 夏普**。
3. GBM 增强：增加**+0.19 夏普**。
4. Ledoit-Wolf 收缩：增加**+0.18 夏普**。
5. Transformer 架构：相比 MLP 增加**+0.12 夏普**。

** deflate 夏普比率（DSR）：在调整多重测试（尝试了 50+ 种配置）后，真实数据夏普比率 1.63 的 DSR 为0.978**，表明真实夏普比率大于零的概率为 97.8%。

4. 意义与主张

本文将其贡献框架化为并非新颖的理论突破，而是一项系统性工程研究，旨在解决金融机器学习中的特定故障模式。

• 工程优于理论：作者认为，“具有欺骗性的微小实现选择”（如处理 NaN 或涨停价格）会使报告的夏普比率波动整整一个点。他们声称，在具有填补缺口微观结构的市场（如 A 股）中，数据质量工程是 Alpha 的主要来源，优于模型架构。
• “掩码优先”模式：本文提出，偏差消除是一阶性能驱动因素，而非卫生步骤。掩码优先方法被呈现为一种可推广的模式，适用于任何存在不可执行价格（熔断、停牌、T+1 限制）的市场。
• 透明度：作者在 MIT 许可下明确发布了完整实现（213 因子引擎、训练循环、优化器、回测和合成数据生成器），以便在不依赖专有数据的情况下进行复现。
• 绩效诚实：该系统在狂热上涨期间（例如 2024 年 9 月）正确避开了涨停股，导致在这些特定时期表现低于市场指数。作者将此框架化为并非失败，而是拒绝预测不可交易收益的设计所付出的“诚实成本”。

5. 承认的局限性

• 仅做多约束：由于 A 股卖空限制，系统无法捕捉多空 Alpha。
• 交易成本：使用线性成本模型（5–8 个基点），对于具有凸性市场影响的大型投资组合而言过于乐观。
• 数据窗口：真实数据测试期（2022–2024）仅涵盖一个熊市、一个震荡市和一个牛市周期，短于标准因子研究窗口。
• 分布假设：GBM 增强假设收益服从对数正态分布，可能低估尾部事件。

本文结论认为，“掩码优先”契约是系统成功的最重要因素，证明了在量化交易中，正确建模不可交易的内容与预测可交易的内容同样重要。