市场状态变量如何优化量化选股中的因子轮动与交易执行？

市场状态变量通过多层次机制重塑了Alpha的合成与交易执行逻辑。首先，在Alpha合成层面，报告展示了从浅层到深层的多种交互方式。简单交互模型将四指数状态映射后接入Alpha合成层；FiLM调制进一步逐通道调整股票隐藏表示，使相同股票特征在不同市场环境下进入不同的表示空间；分支MOE根据市场状态动态配置日频量价、高频量价、基本面和一致预期四类信息源的权重；动态Barra风格配置则直接改变模型对Beta、市值、动量等风格因子的偏好，从而在得分层面重构股票排序规则。

其次，MOE多专家路由机制将因子轮动推进为“由市场状态选择Alpha合成规则”。通过为不同指数设置多头与空头专家，模型能够根据四指数状态共同决定的路由权重，在不同市场环境下调用差异化的合成函数。实证表明，多头与空头专家形成了实质差异的股票排序规则，而非对同一模型的简单重复，这显著提升了模型在风格切换阶段的适应能力。

在交易执行层面，针对中证1000等高弹性指数在观点翻转时需大幅调仓的特点，固定换手惩罚会导致持仓调整滞后，削弱择时增益。报告引入状态相关的动态换手惩罚机制，通过比较相邻调仓日的残差变化，定向释放买入或卖出惩罚。这一机制将固定0.75惩罚下的未完成单边换手率由43.51%降至18.67%，有效平衡了交易成本与状态跟随速度，使2026年中证1000指增策略的年化超额收益由负转正。

相比增加新的截面因子，引入市场状态变量的核心优势在于数据效率与系统级增益。一个覆盖全A市场的截面因子每天包含约5000个股票观测，而四个指数不足250个交易日的预测值仅新增数百个浮点数。市场状态信息的价值不在于数据规模，而在于其作为整个股票截面共享的条件变量，能够同时改变既有Alpha的表示、配置与合成规则。在传统Alpha边际贡献下降的背景下，这种条件化使用能力提高了整个Alpha体系的使用效率，而非单纯依赖新增数据维度。