深度学习研究报告：StableAlpha，更稳定的深度学习因子.pdf

研究背景与目的

本文针对深度学习因子在量化选股中普遍存在的风格依赖问题，提出并实证检验了更稳定的深度学习因子StableAlpha。传统端到端训练的深度学习因子经Barra风格归因后，暴露常集中在低波动、小市值、短期反转、低流动性等方向，行业和风格中性化后RankIC或分组收益明显下降甚至失去稳定性。2026年市场风格切换至高成长、高Beta、高动量，传统深度学习因子表现普遍一般甚至反转，促使研究团队探索穿越市场风格的纯Alpha构建方法。

核心方法论

StableAlpha从标签设计、样本权重、数据输入、长期有效性四个维度进行优化：采用未来t+1日~t+21日vwap收益率作为标签，区分不同周期下的动量与反转特征；调整样本权重以矫正小市值股票过度影响；识别并处理量价数据中的风格代理信息；通过理论指引结合数据、模型、损失函数的细微调优寻找最佳训练范式。

实证设定

数据集为沪深全市场，输入多频量价数据及风格数据，训练/验证集为2008~2019年，测试集为2020~2026年7月17日，单次训练无滚动，回测采用vwap价格。

核心结果

与Barra风格因子相关性：StableAlpha市值暴露-0.23、流动性-0.33、残差波动-0.29，低于部分传统深度学习因子。与其他深度学习因子相关性0.30~0.58，具有一定差异性。

月度RankIC（2020年以来）：沪深全市场12.2%/胜率93.0%，沪深300为8.7%/71.5%，中证500为7.2%/77.3%，中证1000为10.4%/87.8%，创业板为15.6%/93.5%。2026年以来各市场胜率维持69.5%~96.1%。

周度RankIC（2020年以来）：沪深全市场9.4%/87.1%，沪深300为6.1%/65.8%，中证500为5.9%/70.2%，中证1000为7.8%/80.5%，创业板为11.8%/87.0%。

指数增强（2020年以来超额年化/最大回撤）：中证全指9.48%/3.33%，沪深300为5.48%/4.27%，中证500为7.91%/4.94%，中证1000为12.00%/4.12%，创业板为5.03%/5.45%。2026年以来超额累计收益中证全指9.41%、中证500达10.81%。

风险提示

模型基于历史数据统计、建模和测算，在市场政策、环境变化时存在失效风险；市场结构及交易行为改变时策略可能失效；不同量化模型结论可能存在差异。