最优传输与对抗生成网络在因子挖掘中的具体应用机制是什么？

最优传输理论在因子挖掘中的应用旨在解决传统IC损失函数仅约束预测值排序方向，而忽略预测分布与真实收益分布形态差异的问题。报告首先提出了全局分布对齐模型（GDA），将切片Wasserstein距离引入损失函数，直接度量预测值与真实收益之间的几何分布差异，从而约束预测分布的尾部厚度和偏度，提升多头端的区分度。随后，针对标准最优传输“公平对齐”导致多头资源分配不足的问题，报告构建了非平衡输出对齐模型（UOA）。UOA通过KL散度松弛边缘约束，并引入Top-K目标边缘增强，将传输代价向高收益区间倾斜，同时结合条件状态感知模块自适应调节匹配强度，使模型更专注于多头组合的挖掘。 在潜空间层面，报告提出了双轨Sinkhorn网络（DTSN），通过维护历史牛股潜特征记忆库，利用切片Wasserstein距离将当前截面潜特征锚定在历史稳定牛股模式上，防止表征漂移。为进一步突破固定度量的局限，报告最终提出了双轨对抗挖掘网络（DTAN）。DTAN利用两个WGAN-GP判别器分别替代输出轨的UOT和潜空间轨的切片Wasserstein。判别器在对抗博弈中自适应地学习分布差异，发现手工度量无法捕捉的非线性分布特征。这种可学习的判别器机制使得生成器（Transformer）被迫与不断进化的对手竞争，从而在输出端和潜空间双维度上实现更精细的分布纠偏，显著提升了因子的选股能力和稳定性。