StableAlpha因子如何通过标签和权重设计降低对传统风格暴露的依赖？

StableAlpha因子在标签设计上，将训练标签设定为未来t+1日~t+21日的vwap收益率，而非更短周期的收益。从实际经验来看，不同期限标签下模型学习到的风格特征存在差异：1~3天较短周期标签更容易带有短期动量特征，如近期价格强势、成交放大、资金惯性延续等；而当预测周期拉长至5日、20日时，反转和流动性相关信号往往会更加突出。StableAlpha采用21日左右的预测窗口，使模型更关注中期价格修复空间，减少了对短期资金冲击和动量延续的过度拟合。

更关键的是，该标签本质上仍是原始收益，但StableAlpha通过结合其他训练范式调整，引导模型关注难以被常见风险因子解释的残差收益部分。个股未来收益可拆分为市场收益、行业收益、风格收益和个股特异收益，传统标签将四者混为一体，而StableAlpha的构建逻辑试图让模型在优化过程中减少对风格收益的依赖，更多地挖掘个股特异Alpha。

在样本权重方面，StableAlpha针对等权重训练带来的市值分布偏差进行了调整。全市场股票池中，中小市值和微盘股票数量远多于大市值龙头，若完全等权，小市值股票的样本贡献会显著放大。这些小市值股票收益弹性更强、截面离散度更高、极端收益和短期反转现象更常见，模型为降低整体损失函数会优先适配这部分样本，最终形成明显的小市值暴露。

StableAlpha通过优化样本权重分配，抑制小市值股票群体的过度影响，使大市值股票在训练中拥有更合理的话语权。这一改进使得因子在Barra归因中市值暴露为-0.23，低于DL_1的-0.20和agru_dailyquote的0.02；流动性暴露为-0.33，低于DL_1的-0.44；残差波动暴露为-0.29，低于DL_1的-0.39。虽然仍存在一定的风格和流动性暴露，但相比传统深度学习因子已有所降低，表明权重调整在分散风格依赖方面发挥了作用。