Alpha掘金系列之十九：基于Mamba2模型的端到端选股框架-251125-国金证券.pdfVIP

从SSM,Mamba到Mamba2模型

本文创新性地将Mamba-2模型加入整体模型架构，该模型通过SSD把SSM计算重写为矩阵乘+少量结构化算子，既继

承Mamba的“选择性状态压缩”，又在系统层面获得与GPU硬件高度匹配的输入输出优势，形成“表达力-效率-可扩

展性”的三重平衡。对需要超长上下文、吞吐敏感且部署成本受限的应用场景（语音/时间序列/金融高频等），Mamba-

2提供了优于纯注意力与传统RNN/SSM的解法与性价比。

Mamba2模型与GRU选股效果比较

我们分别选取了10分钟、30分钟、60分钟、一日四种不同频率的基础量价数据，在相同数据与回测框架下，对比

Mamba2与经典GRU模型的选股效果。结果表明，Mamba2模型只有在日频数据上整体表现明显优于GRU模型，60分钟

频上与GRU模型不分伯仲，30分钟频上能够带来沪深300的优化。但相关性测算显示GRU与Mamba2在不同频率的

“截面信号”相关性约70%–80%，这意味着二者并非冗余：通过模型-频率的合成（如日频+60分/30分、GRU+Mamba2）

有望带来增量信息与风格分散。

模型合成与宽基指增策略

在构建模型前，我们构造了三类个股不变的市场信息（三大宽基指数点位、当前交易日的时间信息、基于Barra因子

构建的市场风格指数）作为附加输入。结果显示：三大宽基指数信息的提升最为显著，IC、多头多空收益与回撤指标

均明显改善；时间信息与Barra风格信息在GRU上并未带来稳定增益。

根据以上所有探讨，我们构建了“GRU（4频）+Mamba2（3频）+GJQuant因子→LGBM”的二层合成架构，并在GRU4频

输入基础上引入三大宽基指数点位信息。从合成结果看，加入Mamba2后IC、多头超额等维度表现较之GRU基线提升

明显，再叠加LGBM进一步提升；当三者联合并引入GJQ因子库后，各个维度表现进一步提升至最佳。更关键的是，

多空年化收益率与夏普比率在合成后持续抬升，而多空波动率并未同步放大，说明合成带来了真实Alpha增量而非来

源于杠杆放大。

据此搭建的三大宽基的指数增强策略均取得显著超额，沪深300、中证500、中证1000指增策略的年化超额分别达到

9.99%、12.20%和20.65%，信息比率分别为1.88、2.24和3.31；最大回撤方面，三者的主动层回撤均显著小于指数

本身。总体来说，合成架构表现优异。

风险提示

1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。

2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出

现亏损。

敬请参阅最后一页特别声明1

扫码获取更多服务

金融工程专题报告

内容目录

一、从SSM,Mamba到Mamba2模型4

1.1结构化状态空间模型（SSM）：从连续系统到可并行计算4

1.2Mamba：选择性SSM与RNN/Transformer之间的效率-效果折衷4

1.3Mamba-2：以SSD（半可分离矩阵）实现张量并行友好的SSM5

二、Mamba2模型与GRU选股效果比较6

三、模型合成与宽基指增策略11

3.1引入3种市场整体信息11

3.2收益率长尾分布与损失函数的选择13

3.3模型合成框架：频率×模型×传统因子三线并进14

3.4宽基指数增强策略16

总结17

风险提示18

图表目录

图表1：结构化状态空间模型（SSM）4

图表2：结构化状态空间模型图解4

图表3：离散化的状态空间模