你请一位经验丰富的分析师给股票排序，又请新人接着改。最危险的做法，是让新人把前人的判断全部推倒重来；更稳妥的办法，是先保留原排序，只改那些有把握改对的地方。深度神经网络面临的正是这个问题：层数增加了，模型更复杂，却可能把浅层模型已经学到的有效信号一并破坏。
Dexin Peng 与 Xiaoyu Wang 在论文 Residual Learning in Empirical Asset Pricing 中提出，把残差学习引入实证资产定价。它不要求深层模型重新预测一切，而是保留浅层模型的结果，再让新增网络层专门寻找修正项。作者报告，这种设计构建的市值加权多空组合，样本外年化 Sharpe ratio 从浅层的 1.92 升至深层的 2.07；对应的普通深度前馈模型只有 0.89。
这组结果值得看，不只是因为 2.07 高于 1.92。更重要的问题是：深度本身究竟有没有价值，还是只会给金融数据增加过拟合空间？目前证据全部来自作者自己的论文及其实验，尚无独立复现。
深层模型为什么反而容易退步？
因子模型用价值、动量、规模等共同特征解释不同股票的收益差异，行业常拿它做收益预测、风险拆解和组合构建。神经网络可以在更多特征之间寻找非线性关系，但金融数据的信号弱、噪声大。网络越深，可调整的空间越大，也越容易记住历史里的偶然波动。
普通前馈网络会把信息逐层改写：上一层的输出经过一次新变换，才成为下一层的输入。理论上，深层模型可以表达浅层模型；实践中，直接叠层却不保证训练后仍能保留那个好用的浅层答案。论文引用的既有研究甚至发现，神经网络在较浅处达到性能峰值，继续增加前馈层并未带来相应的经济价值。
这也是样本外检验格外重要的原因。所谓样本外，就是拿训练时没见过的数据考试。训练集拟合得漂亮，只说明模型会做旧题；能否在未来月份继续排对股票，才更接近真实投资问题。
关键不是重学，而是修正
论文使用的残差块有两条路。一条是捷径路径，通过恒等映射把已有表示原样传下去；另一条是残差分支，只学习应该增加的修正。简化来看，每一层做的是：
其中， 是浅一层已经得到的信号， 是新一层学到的调整。如果修正没有价值，模型可以让 接近零，退回原来的浅层结果。换句话说，浅层模型被嵌在深层模型里，而不是被它推倒。
作者还设计了更贴合资产定价任务的 ResNet+。当隐藏层宽度改变、旧表示不能直接原样传递时，模型使用投影路径衔接；在相同宽度的阶段内，再加入残差学习。为拆开“定制结构”和“残差机制”各自的作用，他们另建 NN+：整体结构相同，但把残差块换成普通前馈块。
论文设置了两组对照：ResNet 对 NN，以及作为主比较的 ResNet+ 对 NN+。同组模型使用相同数据、预处理、训练流程和组合评价方法，只改变是否采用残差学习。深度从 1 层逐步增加到 20 层，并预先划分为浅层、中层和深层规格，避免看完结果再挑最有利的模型。
它怎样判断股票排对了？
研究使用美国股票面板数据，覆盖 1963 年 1 月至 2023 年 12 月，约有 357 万条“股票—月份”观察，每月约 5,000 只股票。输入包括公司特征和宏观预测变量，所有变量至少滞后一个月，用来预测下一月超额收益。
模型从 1963—1986 年的数据开始训练，此后采用扩展窗口，每年重新拟合。最终样本外预测对应 1987 年 2 月至 2023 年 12 月。每种宽度和深度规格都用十个不同随机种子重复训练，再平均预测，降低一次幸运初始化左右结果的风险。
每个月末，作者按预测收益把股票分成十组。买入预测最高的一组，做空预测最低的一组，并按市值加权，下月根据新预测调仓。核心指标是 Sharpe ratio——用超额收益除以波动，粗略衡量每承担一单位风险得到多少回报。这里报告的是年化数值。
结果出现了清楚的分叉。ResNet+ 的 Sharpe ratio 从浅层 1.92、小幅升至中层 1.94，深层达到 2.07。NN+ 则从 1.84 降至 1.47，再降至 0.89。也就是说，深度本身没有自动送来收益：新增层采用什么更新方式，决定了它是在修正旧信号，还是逐层损坏旧信号。
逐个规格看，ResNet+ 只在 14 个浅层规格中的 4 个胜过 NN+；到了中层，它在 20 个规格中的 17 个领先；40 个深层规格则全部领先。较原始的一组对照也呈相似趋势：ResNet 的表现随深度大致稳定，NN 则单调走弱，部分较深规格甚至只输出常数，无法形成有效组合。
真正改善的是排序
这篇论文没有只盯着多空组合两端。作者检查了全部十组股票的实际收益，还比较了横截面中每一对股票的排序。所谓横截面，就是在同一个月里比较不同股票。
结果显示，各模型预测排名越高的组，实际收益总体也越高，说明浅层基准本来就有用。残差模型的优势主要出现在两端：它更能区分最值得买入和最不值得持有的股票。作者据此解释，深层残差网络先保存浅层模型已有的盈利排序，再通过较准确的修订改善排序，最后转化为更好的样本外组合表现。
论文还报告，ResNet+ 与 NN+ 的差距在剔除极大或极小市值股票后仍然明显，计入交易成本后仍能维持，并存在于多数 NBER 商业周期阶段。五因子 alpha、股票层面的预测指标和等权组合也呈现相近方向。不过，这些仍是同一研究内的稳健性结果，不等于外部验证。
为什么值得关注
这项工作的价值，在于它重新界定了“模型更深”这件事。层数不是独立的魔法变量。若每一层都全面改写已有表示，复杂度可能只会放大训练困难；若新增层以浅层答案为锚，只负责寻找增量信号，深度才可能变成经济价值的来源。
这也给其他神经网络资产定价模型留出了一条可操作的扩展路径：只要模型包含中间层，就可能加入残差学习继续加深。作者进一步提出，这种设计或许能让原生的“large asset pricing models”——直接在结构化金融面板数据上训练的大型资产定价模型——更可行。但这还是前景判断，不是已经完成的规模化成果。
局限与未知
- 所有主要结论均来自同一篇论文。代码虽已公开，但材料没有提供第三方复现结果，不能把 2.07 对 1.92 的优势直接当作普遍规律。
- 实验使用历史美国股票数据。即使作者做了市值筛选、交易成本和市场状态检验，结果能否延伸到其他市场、时期或真实资金规模，仍未得到材料支持。
- 论文证明的是深层模型“有潜力”包含并改进浅层模型，不是深度必然带来更好表现。普通 NN+ 随深度恶化到 0.89，恰好说明架构与训练方式仍是关键。