← 返回 PaperDaily 大模型与智能体

量化新范式：给残差上"户口"，净收益13.52%→19.10%

把特征拼一起，就像把所有水果丢进一台榨汁机——最后没人知道哪一口是苹果、哪一口是橙子，更不知道是哪个"果"在犯错。西湖大学这篇新工作干脆给残差上"户口"：先分清谁的错，再动手修。实测同一批特征、同一批树上限，扣费收益从13.52%干到19.10%、夏普1.42→2.09。这份"残差代数"，值得所有做表格学习、量化选股的人细品。

龙哥读论文发布于 2026-08-14 08:31:05 阅读 4 查看原文

#AI金融 #预测模型 #模型架构 #人工智能

原论文信息如下：

论文标题:
Residual Algebra for Representation-Preserving Learning（残差代数：保表示学习）发表日期:
2026年8月发表单位:
西湖大学原文链接:
https://arxiv.org/pdf/2608.07349v1.pdf

好的，龙哥来带大家看看西湖大学这篇有点意思的量化新作。

残差也有身份：从特征拼接到残差代数

一个老生常谈但始终没被正经回答的问题是：特征拼接到底丢掉了什么？在量化选股这类典型表格任务里，梯度提升树仍然是不折不扣的“扛把子”。但无论是GBDT还是各类深度表格模型，最常见的做法还是把一堆因子做成一个扁平的特征向量，全部丢给同一个学习器。特征拼接保住了数值，却破坏了溯源——模型犯了错，到底哪个表示该为这个错误负责，没人知道。西湖大学这篇论文干了一件挺“较真”的事：能不能在误差产生的时候，就搞清楚每个表示的身份，让残差的归属权在组合过程中始终保持可见？

论文给出的第一个部件叫Fold。思路倒不花哨：把两个连续因子在每个交易日内做排序，各自切成10个分位档，一横一竖拼成一个10×10的交互网格。每只股票每天落入其中一个格子，这个格子就是一个“交互状态”。于是，一个因子对就变成了一张100个条目的表：每个格子的值，是历史上落在同一格子的股票未来5日收益的条件均值。等于是把双排序（double sort）当成一种独热编码来读——每个格子的指示向量是100维，某一维为1，其余为0。

这个网格确实是个“有身份”的东西：它自带坐标系（哪两个因子、各自第几档），也自带残差（真实收益减去格内均值）。论文里构造了三个不同经济机制的因子对，构成三个异构因子场：动量×短期反转（F₁）、价值×动量（F₂）、突破×成交量确认（F₃）。它们的信号两两相关平均只有0.54。正是因为相关性不算高，“保持身份再组合”才真正成为架构层面的核心问题，而不是简单的特征混合。下面这张图把Fold的整个逻辑讲得很清楚：从连续因子空间出发，日内排序切成10档，选中唯一的交互状态，最后读出该格子的条件均值。

图1：Fold机制示意——双排序读取为独热编码。从连续因子空间到10×10交互状态，再到线性读出条件均值。

Fold机制示意——双排序读取为独热编码。（a）连续因子空间的日截面，高亮一只股票；（b）两因子日内排序并切成十分位，选中唯一交互状态；（c）生成100维独热指示向量；（d）读出该格子的点对点条件均值。

场内条件均值的定义如下式所示，这里的r_{i,t}是未来5日收益，整个估计只用部署时点可观测的历史数据（年度刷新、252天半衰期加权）。

公式（2）：因子场定义。F_m(s)是股票处于交互状态s时，未来5日收益在点对点（PIT）信息集下的条件均值估计。

先给个直观的对比：把三张场直接等权平均，得到的是13.52%的扣费净收益；在平均场上再叠一个共享修正器，收益能到18.01%。但这两条路都没有真正触碰论文提出的问题——残差仍然是一锅粥，谁的错误归谁都说不清。真正拉开差距的，是把残差当成有类型的对象来组合。这就引出了论文的核心框架：残差代数。

三步算子组合：松弛-聚合-闭合的数学之美

FPRC-PQ（Field-Preserving Residual Closure，保场残差闭合）是残差代数的实例化产物。它把学习过程拆成三个顺序固定的算子：松弛（Relaxation）、聚合（Aggregation）、闭合（Closure）。这里的“算子”不是比喻，而是有明确类型签名和组合规则的数学对象。

第一步：松弛。每个场的残差，只能由该场自己的坐标系统来修正。具体来说，就是在原始的(a_m, b_m)网格坐标、共享顶点坐标P_⊥以及净化后的Q轴坐标上，拟合该场自己的残差r − F_m。这个算子的类型签名里，输入输出都保留了场下标m——动量场的错误由动量场的坐标来修，价值场的错误由价值场的坐标来修。修正完之后，每个场依然是“它自己”。

公式（9）：松弛算子。g_m是以(a_m, b_m, P_⊥, Q_⊥)为输入、以r − F_m为拟合目标的梯度提升回归器，输出修正后的H_m。注意每个场的修正器只看得到自己的残差和自己的坐标。

第二步：聚合。经过松弛的三个场，在等权平均处汇合。这一步的朴素程度可能让不少人犯嘀咕：就这么简单？是的。关键在于，这一步是整个流水线上唯一允许抹除身份的地方。场与场之间没有任何学习出来的权重或门控——身份在松弛阶段保留得干干净净，又在这一步一次性、可控地被抹除。用论文的话说，这是“受控身份擦除边界”。

公式（10）：聚合算子。对三个修正后的场做等权平均，得到聚合骨干B_PQ。这是残差代数中唯一抹除身份的操作。

第三步：闭合。共享学习器不再读取任何局部信息，只从父坐标X_par（各场的原始因子坐标集合）出发，拟合r − B_PQ，即聚合之后剩下的“新鲜残差”。闭合算子的信息域被刻意压缩：它看得到父因子，但读不到任何场的局部状态。这样，三个残差群体在闭合阶段不会被重新混淆。

三步组合最漂亮的地方在于残差的望远镜式分解。把B_PQ代入最终的预测式，可以看到整个预测可以被写成三段归各阶段所有的加性项：表示层、局部闭合层、共享闭合层，再加上一个终残差。这个分解可以用下面的公式清晰表达：

公式（13）：残差望远镜式分解。S_hat = F_bar（表示层）+ ρ的估计（局部闭合）+ (ρ − ρ估计)的估计（共享闭合）。共享学习器永远只处理前面各阶段没消化的那部分残差。

换句话说，容量被分配到误差真正存在的地方，而不是堆在同一个学习器里。论文用一句话点题：这是带类型中间目标的阶段性提升（stagewise boosting）。聚合操作还有一个控制变量（control variate）的视角：F_bar是稳定的低维锚点，残差拟合是回归调整项；锚点负责可预测的均值水平，残差拟合去除锚点周围的波动，整体实现残差二阶矩的弱化。整个残差路由的结构如图2所示。

图2：残差通过类型化算子的路由结构。残差依次被三套坐标系消化：场网格、类型化局部轴、共享父坐标。

图2：残差通过类型化算子的路由结构。残差依次被三套坐标系消化：顶部是场网格（Fold负责消去网格级结构），中部是类型化局部轴（松弛算子负责在自己坐标内修正），底部是共享父坐标（闭合算子只吃这里的信息）。终端残差e中检测不到可恢复的样本外结构。

Table 1给出了完整的架构阶梯对比。从最朴素的“三场平均”到完整的FPRC-PQ，每一步的提升都对应一个可解释的设计决策。注意看最上面两行：直接GBDT和残差GBDT，虽然使用了相同的完整特征集，但它俩都不如类型化组合的结构。收益差距不是来自某一棵树的魔法，而是来自残差归属权的结构化分配。

表1：架构阶梯（严格共同账簿，3.67M行，2023–2026）。净收益为扣费累计收益，Δ为相对三场平均基线的百分点差异。所有行共享相同数据、相同费用模型和冻结的学习器超参数。

冻结协议下的严格验证：5项审计与4组对照

这套东西是不是只是又一个“先射箭再画靶”？论文在证据纪律上确实下了功夫。所有架构选择、因子选择、超参数全部在2022年12月31日前的数据上冻结；评估窗口是2023年1月到2026年7月，共844个交易日、366万7千行严格的共同账簿。模型每年做一次点对点重拟合，扣费模型采用双边10/15个基点费用，21天分批持仓。这样的设计，把“数据窥探”这个量化研究最常见的坑基本堵死了。

为了防止单纯靠树的数量堆出收益，论文设置了配对容量控制：一个直接GBDT收到三个局部学习器加一个共享闭合器的全部树容量，仍然跑不赢类型化组合。为了防止“加信息总能变强”的朴素想法，论文又测试了八条元信息捷径——误差相关元数据、风格元数据、行业元数据等，全部失败，其中数条在统计上显著为负。下方图4直观地展示了这八条失败捷径的对比区间。

图4：八条失败的捷径。相对冻结FPRC-PQ的配对差异及95%自助法区间。琥珀色为局部通道，红色为共享通道。误差相关元数据并不能仅仅通过追加到修正阶段来改善模型。

更硬核的是5项预注册审计。每一项都事先冻结问题与决策规则，然后才看数据。Table 2列出了完整的算子决策链。以审计A4为例：它比较Q轴放局部还是放共享，结果显示Q放局部更好，叠加共享Q反而降了0.31个百分点。A3审计检查跨层边界的操作，结论是重新打开跨层边界的做法从未进入最优单元格。这5项审计的结果一致指向同一个架构：松弛阶段要类型化且局部，聚合必须是固定均值，闭合只能吃父坐标。

表2：算子决策链。5项冻结审计的配对block-bootstrap差异（百分点，95%置信区间）。正值支持所选结构。

Table 9则展示了4组匹配结构对照：普通直接学习器、统一残差学习器、身份自由的二阶段学习器、仅配对学习的对照，全部落后于FPRC-PQ。注意表格里Δ是“对照减去FPRC-PQ”，所以负值代表对照不如FPRC-PQ——几乎全是负的，胜场数也说明FPRC-PQ在每一年都保持领先。这组对照直接反驳了“更多特征或更多树就能解释提升”的质疑。

表9：匹配结构对照（严格账簿，3,666,920行）。Δ为对照减去FPRC-PQ，负值说明FPRC-PQ更优；“wins”统计对照在单一年份超过FPRC-PQ的次数。普通直接行复用Run101，其余对照均为Run137。

图3：（a）严格账簿的累计净收益曲线。曲线在残差代数预期的地方分离：类型化局部修正优于池化，新鲜残差闭合优于任意单独阶段。（b）同一架构阶梯的年化夏普比率。

从最终的收益数字看，基础残差代数把扣费净收益从13.52%干到19.10%，夏普比率从1.42提升到2.09。提升的直接来源不是特征变多了，也不是树变多了，而是残差的所有权和组合方式变得显式化了。图3的收益曲线很直观：策略曲线从前半段就开始分化，后半段差距持续拉大。这种持续稳定的分化，比单点的收益数字更有说服力。

反射性沉思：一个优雅但未经验证的理论延伸

论文的第三部分理论延伸叫“反射性沉思”（reflective rumination），这个名字起得颇有禅意。设想一个全局重建器T把锚点F映射成F₂ = T(F)，那么位移向量q = F − F₂记录了重建器把原锚点挪动了多少。最朴素的反射更新是R₂ = F + q = 2F − F₂——以F为中心，给F₂照镜子。如果把第一阶段的“已消化残差”R₁ = ρ̂和这个反射更新加在一起，再加上尾项F₂ − F，在理想单位反射下恰好还原为真实收益r。这就是所谓的“归属链闭合”。

如果F₂ = F（什么都没动），那么任何系数a、b满足a − b = 1的算子aF − bF₂都会退化为F。保留这个锚点守恒约束，就得到一个一参数仿射族：R₂的λ版本 = F + λq。此时λ还没有确定。论文用一句话解决：让留给下游学习器的新残差e_λ与反射向量q零对齐，即〈e_λ, q〉= 0。解这个方程，唯一确定λ* = 〈e₀, q〉/〈q, q〉，恰好是投影算子的系数。整个过程不需要任何网格搜索，一步解析解出，所以叫“正交规范固定”。

公式（23）：反射性沉思增益的解析解。λ* = 〈e₀, q〉/〈q, q〉，在中心化非退化变量下等价于Cov(e₀, q)/Var(q)。这一解析解绕开了网格搜索。

强调一个容易忽略的细节：论文在实验部分明确声明，所有报告的收益评估的都是基础骨干B_PQ，也就是λ = 0的成员。反射性沉思只作为理论拓展提出，没有为它增加任何实验结果。如果未来要做实证，λ*的估计（以及T的拟合）必须严格限制在使用部署时点可观测的数据上进行，否则就构成前视偏差。这是一个诚实且纪律严明的选择：宁可把一个优雅的理论放在“未验证”的位置，也不把它混进验证过的实验数字里。

可迁移的科研范式：类型化残差所有权与有序组合

最后一步是方法论层面的提炼。论文的四个算子原则——类型化局部修正、受控身份擦除、新鲜残差闭合、分阶段信息压缩——每一个单独拿出来都不算全新的知识，但组合起来却构成一套可迁移的范式。

对表格学习的研究者来说，最直接的启发是：不要急着把特征拼接成一个大向量。先想清楚每个表示产生的误差属于谁，让修正发生在残差产生的地方，把需要共享的部分放到真正的边界之后。对于多模态、图像融合这类天然带有异构表示的场景，“类型化残差所有权”同样是值得认真考察的方向——谁的表示引发了这个误差，就应该由谁来修正。

这套方法也展示了证据纪律的力量。冻结协议、预注册审计、配对容量控制、block-bootstrap配对推断——这些词在量化论文里并不新鲜，但在一篇以残差代数为核心的方法论论文里被严格落地，并不多见。用论文自己的话说：改变残差所有者、算子顺序、信息边界或容量位置，都会产生一个可以直接检验的不同的模型——这就是“代数化”的价值。

看到这里，不妨回头看开头的那个问题：特征拼接到底丢了什么？答案是：丢了残差的“户口”。这篇论文证明了，当残差被正确地归属、正确地排序、正确地组合时，收益提升不是一点点——从13.52%到19.10%的净收益，从1.42到2.09的夏普比率，全部来自对“所有权”的尊重，而不是对模型容量的堆砌。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？西湖大学新研究将"残差"代数化：让每个表示自带坐标系与未解残差，再经松弛-聚合-闭合三步算子有序组合。在3.67M条A股数据上，扣费收益从13.52%升至19.10%，夏普1.42增至2.09，全程冻结协议验证。

这篇工作最值得看的点是什么？FPRC-PQ在严格账簿上实现19.10%净收益和2.09夏普比率，全面优于所有对比方法；所有结构性对照均落后，且收益提升不能由更多特征或更多树解释

这篇工作的边界或风险在哪里？优点：残差代数框架概念清晰，类型化残差所有权和有序组合具有理论深度；实验设计严谨，冻结协议和预注册审计增强了可信度；消融实验全面，多个对照隔离了容量、身份、交互类等混淆因素。缺点：仅在一个市场（中国A股）和一类资产上验证；字段仅二维；正交性声明限于耦合重拟合而非一般效率定理；反射性沉思部分仅为理论扩展，未纳入实证结果。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆残差代数作为一个概念框架是这篇论文最大的贡献，把“残差的归属权”从隐含信息变成显式代数结构。反射性沉思的角度也很新颖。扣一星是因为三个算子本身都是已知组件的组合创新，属于“重新组织语言”级别的贡献。

实验合理度：★★★★★冻结协议、预注册审计、点对点容量匹配、block-bootstrap推断，量化论文的实验纪律拉满。每个结论都有对应的对照实验，八条失败捷径被公开列出，没有只捡好的说。这种证据密度在同类论文中相当少见。

学术研究价值：★★★★☆残差所有权这一概念在表格学习之外的潜力很大，多模态、图像融合都可以借鉴。论文给出了完整的数学框架，后续研究者可以直接在此基础上做扩展。扣一星因为目前只在量化选股单一场景验证。

稳定性：★★★★☆3.67M行数据、42个月窗口、逐年点对点重拟合，结果比较稳定。但只有A股单一市场的证据，对美股等市场稳定尚不可知。论文没有展示不同市场、不同因子选择下的敏感性分析。

适应性以及泛化能力：★★★☆☆方法针对表格学习、截面排序任务设计。Fold的双排序网格适合金融截面数据，换到非时序表格、图像、文本等场景需要重新设计。三个因子场的选择也依赖金融语义，换成其他任务未必能直接套用。

硬件需求及成本：★★★★☆XGBoost主模型，冻结超参数，三个局部分支加一个共享学习器，整体训练成本远低于深度模型。推理成本每天一次，工程上完全可控。反射性沉思部分无需额外计算，是解析解。

复现难度：★★★★★论文声明所有冻结信号可逐位复现（最大差异为0），并提供了协议常量表、字段定义表、轴选择表。XGBoost本身是成熟开源库，照做一遍的路径非常清晰。扣一星因为代码尚未明确开源。

产品化成熟度：★★★★☆一个每年重拟合、每天跑一次的流水线在量化团队中属于标准工程，19.10%的净收益扣费后仍显著，基本可以直接部署。但需要复制其冻结协议才能获得可比效果。反射性沉思部分暂不适用于部署，因为尚未验证。

可能的问题：A股单市场验证限制了外部效度；反射性沉思作为理论延伸没有实验支撑，论文自身对λ=0的处理是诚实的，但读者要警惕实验结果与理论部分的边界。整体而言，是近期少见的、在证据纪律上做得极其扎实的量化方法论文。

主要参考文献

[1] Friedman J H. Greedy function approximation: a gradient boosting machine. The Annals of Statistics, 2001.

[2] Chen T, Guestrin C. XGBoost: A scalable tree boosting system. KDD, 2016.

[3] Grinsztajn L, Oyallon E, Varoquaux G. Why do tree-based models still outperform deep learning on typical tabular data? NeurIPS, 2022.

[4] Gu S, Kelly B, Xiu D. Empirical asset pricing via machine learning. Review of Financial Studies, 2020.

[5] Chernozhukov V, et al. Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 2018.

[6] Owen A B. Monte Carlo theory, methods and examples. 2013.

[7] Politis D N, Romano J P. The stationary bootstrap. JASA, 1994.

[8] 原文链接: https://arxiv.org/pdf/2608.07349v1.pdf

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

看完了，别光记着13.52%变19.10%。残差要认领归属，方法要守住边界，研究要过得了冻结协议的审计。大到策略框架，小到一张表格的字段，都值得这样较真。欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如量化选股+上海+西湖大学+龙哥），根据格式备注，可更快被通过且邀请进群。群里已备好金融AI、大模型、自动驾驶等5个方向的讨论坑位，等你来填~
wechat_helper