国泰海通量化选股系列（五）——让深度学习因子适应不同市场环境.pdf

全球量化选股领域正经历从传统统计因子向深度学习因子的演进，但近年来深度学习因子因严重的风格暴露问题导致实盘稳定性大幅下降。本报告深入剖析了多粒度深度学习因子在2026年以来的表现衰退原因，指出其特征包含成交额、换手率等与市值因子高相关变量，且模型架构易受历史风格趋势诱导。为应对此挑战，报告提出了一种新的多源深度学习因子构建方法，通过剔除高风格相关特征并将不同源特征分离输入独立GRU模型，最后仅在FNN层聚合，从而有效降低了对单一风格的依赖。实证数据显示，修正后的多源因子在沪深300、中证500及中证1000指数增强策略中，不仅保持了较高的年化超额收益（如500增强超13%），更显著提升了超额收益的稳定性与信息比率，尤其是在2026年市场风格剧烈波动期间表现优于传统多粒度因子。值得注意的是，报告还发现简单地在模型训练中叠加风格相关性惩罚并不能进一步提升表现，反而可能因破坏Alpha信号完整性而增加组合波动。结论强调，特征工程的源头治理与模型架构的合理设计是提升深度学习因子适应不同市场环境能力的关键，未来研发重点应放在开发更多非风格依赖的有效数据特征上。