因子切割论：剖析市场精细结构的利器
　　事物内部的各要素之间，往往存在着对立统一的矛盾。在金融市场中，当人们普遍预期的行为模式未能出现时，常常只是因为代理变量选得不好，以致未能窥见其内部更为本质的精细结构。我们在近十几年的因子研究历程中，既收获了大量个性鲜明的独家因子，也从中领悟了系统普适的方法论——因子切割论。
　　我们以理想反转因子的构造过程为例，归纳出因子切割论的三要素：对象、刀法、产出。
　　对象：具有可加性的目标变量
　　刀法：有区分能力的切割指标
　　产出：对切割后变量的再加工
　　DBD-GRU模型：因子切割论与深度学习的有机结合
　　我们将切割论思想与深度学习有机结合，构造出双分支差异网络模型（DualBranch Difference GRU，以下简称DBD-GRU模型）在DBD-GRU模型中，假设输入的数据x包含了A、B两个特征，其中特征A为切割指标。我们以特征A在时序上的中位数为阈值，构造两个掩码mask_Ahigh和mask_Alow，将使用掩码处理后的数据分别输入两个分支网络GRU_high和GRU_low中。取两个网络最后一个时间步的差异输入输出层。
　　DBD-GRU模型因子表现优异
　　我们使用DBD-GRU模型改进了切割论的三个因子：理想振幅因子、理想反转因子、主动买卖因子；同时作为对比，也将相同数据输入GRU模型中，将其作为基线模型。
　　与原始切割论因子和基线模型的GRU因子相比，DBD-GRU模型因子表现优异，测试区间（201412~202505）内，理想振幅-DBD、理想反转-DBD、主动买卖-DBD因子的RankIC分别为-10.33%、-10.31%、-9.81%。
　　DBD-GRU模型在剔除对应的切割论因子与GRU因子后仍有较好的表现，这表明DBD-GRU模型并非只是以上两者的简单叠加，而是提供了较多的信息增量，作为对比，GRU模型因子在剔除DBD-GRU因子后表现不佳。
　　我们将DBD-GRU模型的三个因子对称正交处理后等权合成，得到DBDCombine因子，DBD-Combine因子在主流宽基指数中均有较好表现，在沪深300、中证500、中证1000成分股中的RankIC分别为-5.76%、-7.40%、-9.84%。应用于指增组合时，在中证1000中的超额年化收益为11.8%，超额IR为2.21，表现优秀。
　　风险提示：模型基于历史数据测试，市场未来可能发生重大改变