机器学习系列之一：mHC对Barra机器学习因子的改进-.pdf

[Table_Info1][Table_Date]

证券研究报告发布时间：2026-

[Table_Title][Table_Invest]

证券研究报告/金融工程研究报告

mHC对Barra机器学习因子的改进

机器学习系列之一

报告摘要：

[Table_Summary][Table_Report]

本报告提出并验证了将流形约束超连接（mHC:Manifold‑Constrained相关报告

Hyper‑Connections）结构引入基于Barra因子体系的机器学习因子构建

流程的可行性与效果。

针对金融数据的低信噪比、非平稳性与极端尾部行为，我们从模型拓扑

与几何约束两方面入手：在传统MLP的基础上引入多流残差通道、扇

入/扇出门控映射以及对残差混合矩阵的双随机流形投影（通过

Sinkhorn‑Knopp实现），以限制层间变换的谱范数并将映射约束在输入

凸包附近，从而实现数值稳定性与抗外推能力的提升。实验使用2014–

2025年A股全市场截面数据（剔除停牌与ST），采用24M/36M/72M

三类滚动训练窗口进行并行模型训练与合成，比较了原生BarraMLP与

mHC‑MLP在分布特性、截面相关性、自相关衰减与因子稳健性指标（IC、

IC_IR、换手率、极端分位数）上的差异。

本研报主要结论如下：

首先，mHC有效抑制了因子输出的尖峰—肥尾特性，使得因子分布更接

近正态，这一效果在不同训练窗口下均保持一致；

其次，mHC因子在截面排序（rankIC）与自相关半衰期上表现出更高的

长期稳定性——自相关随滞后期的衰减速度明显低于无约束MLP，说

明mHC更偏向捕捉可重复的低频结构信号；

第三，尽管mHC在换手率等稳健性指标上优于裸MLP，但在个别由资

金面或极端微盘博弈驱动的短期行情中，因其平滑与守恒特性，可能弱

化对瞬时套利信号的响应，从而在部分时间段内表现落后于激进的无约

束模型。

对量化研究方法论启示与工程建议包括：对深层网络引入流形约束可显

著提升数值稳定性并减少对噪声的过拟合，但在低维输入与浅层网络场

景下需权衡计算开销与边际收益；在样本规模快速变化的市场（如2014

年至2023年股票数量增多、2024年初政策驱动的回落）中，应结合分

层抽样、样本加权与滚动再训练策略以保持子群代表性；若目标是同时

兼顾短期收益与长期稳健，可采用模型集成或时序加权合成，将mHC

用于稳定化长期信号提取、将裸MLP用于捕捉短期交易机会，再通过

风控规则动态切换或加权。

最后，报告指出mHC的真正优势有望在高维原始数据与超深网络场景

（如端到端的Level‑2、文本嵌入、图结构数据）中充分发挥，后续研究

建议将mHC扩展到图神经网络与时序生成模型，并探索可微的最优传

输目标以实现预测与组合优化的端到端可微融合。

风险提示：以上分析基于历史数据和模型结果测算，存在模型失效风险。

[Table_PageTop]金融工程研究报告

目录

1.引言3

2.mHC的理论框架：从双随机矩阵到深度网络5

2.1.超连接（Hyper-Connections）的拓扑结构5

2.2.流形约束与非负映射5

2.3.参数初始化与冷启动策略6

3.Barra模型机器学习因子7

3.1.长期风险