金工专题报告：深度学习系列之五，因子轮动的新解——从状态交互与动态Barra风格配置到MOE多专家路由.pdf

在传统量化选股模型面临市场风格快速切换、静态Alpha有效性减弱的背景下，东吴证券金工团队提出了一种基于深度学习的新框架，旨在通过引入市场状态变量来动态优化因子轮动与选股策略。该研究的核心创新在于将前期构建的指数技术形态专家模型输出的连续择时预测值，从单纯的仓位控制信号拓展为股票模型共享的市场状态变量，从而实现对Alpha合成过程的条件化调制。

市场状态构建与互补性

研究选取国证A指、沪深300、中证1000和创业板指作为状态载体，分别刻画全市场、大盘、小盘与成长风格。通过提取各指数预测值相对中枢的位置与趋势，构建了八维市场状态。实证显示，四指数择时策略全区间年化超额收益均为正，其中创业板指高达8.69%，中证1000为7.81%，表明不同指数状态具有显著的互补性，能够全面捕捉市场方向、强弱及风格切换信息。

多层级Alpha重塑机制

报告系统考察了市场状态介入选股模型的四种路径：一是简单交互，将状态映射接入合成层；二是FiLM调制，逐通道调整隐藏表示；三是分支MOE，动态配置量价、基本面等信息源权重；四是动态Barra风格配置，直接调整风格因子偏好。其中，动态Barra风格配置效果显著，2026年将基础MLP的多头年化超额收益从-9.52%提升至1.66%，改善幅度达11.18个百分点，同时收窄最大超额回撤。

MOE多专家路由与跨架构验证

进一步引入八专家MOE路由机制，由市场状态选择Alpha合成规则。多因子MLP八专家MOE在2026年使RankIC提升至5.02%，多头超额收益改善6.69个百分点。该机制在日周K线GRU模型中也得到验证，2026年RankIC由4.60%升至6.10%，多头超额收益由9.79%升至14.66%，证明了市场状态变量的跨模型泛用性。

交易执行优化与最终策略表现

针对换手约束导致的状态追随滞后问题，研究设计了动态换手惩罚机制，将中证1000指增策略在固定高惩罚下的未完成单边换手率大幅降低，并使2026年超额收益由负转正。最终融合MLP与GRU信号的指数增强组合，中证1000全区间年化超额收益达18.80%，信息比3.80；中证800全区间年化超额收益11.70%，信息比2.68。研究结论指出，挖掘市场状态预测因子比单纯寻找新截面因子更具边际效益，能有效提升现有Alpha体系的使用效率。