双轨最优传输分布纠偏与对抗生成式因子挖掘模型研究

深度学习因子挖掘的结构性瓶颈

当前基于深度学习的因子挖掘框架主要面临两项可优化的结构性问题。首先，传统模型广泛使用的IC（信息系数）损失函数仅约束预测值与真实收益之间的排序方向，对预测分布的形态缺乏结构性要求。这种设计导致因子可能在保持高IC表象的同时，隐藏尾部区分度不足与跨期不稳定的风险，最显著的表现即为多头挖掘能力受限。其次，在时序特征编码中，深层Transformer网络往往缺少底层的表征层面约束。模型倾向于将全部有效信号压缩至序列末端，导致潜空间表征发生漂移并引发过拟合现象，限制了模型在风格剧烈切换时的泛化能力。

全局分布对齐模型：引入最优传输理论

为解决上述分布形态缺失问题，研究提出了全局分布对齐模型（GDA）。该模型将最优传输理论引入损失函数，利用切片Wasserstein距离来度量预测分布与真实收益分布之间的几何差异。相较于仅关注排序的IC损失，GDA模型通过约束整体分布形状（包括尾部厚度、偏度等），使预测值的分布形态向真实收益分布靠拢。实证测试显示，该模型在保留排序能力的同时，有效提升了多头组合的收益表现，表明在损失函数中加入全局分布对齐目标能够引导模型学习到更多关于多头端的有效信息。

非平衡输出对齐：多头偏心与条件感知

尽管全局分布对齐改善了分布形状，但其采用的标准最优传输是一种“公平对齐”，即假设所有收益率区间的信息价值相同。然而，在主动投资实务中，超额收益主要来源于前10%的多头组合，中间区间的排序正确性对组合构建价值较低。为此，研究构建了非平衡输出对齐模型（UOA）。该模型通过KL散度松弛边缘约束，并引入Top-K目标边缘增强机制，将传输代价从全区间均匀分配改造为向多头端倾斜的偏心分配。此外，UOA还引入了条件状态感知模块，基于截面波动自适应调节匹配强度，防止模型在极端波动日过拟合。测试结果表明，UOA模型进一步提升了多头组合的年化收益率，显示出非平衡传输在资源分配上的优势。

双轨Sinkhorn网络：潜空间历史模板锚定

针对纯输出端监督下Transformer潜空间表征易发生坍缩的问题，研究设计了双轨Sinkhorn网络（DTSN）。该模型在输出端约束之外，新增了一条潜空间锚定轨。具体而言，模型维护一个动态更新的历史牛股潜特征记忆库，存储历史上高收益股票的潜空间特征。通过计算当前截面潜特征与记忆库中历史模板之间的切片Wasserstein距离，迫使模型使用历史上稳定的牛股模式来编码股票，从而抑制噪声关联，提升因子表现的跨期稳定性。双轨架构实现了从“输出分布对齐”到“潜空间结构锚定”的全层面正则化覆盖。

双轨对抗挖掘网络：自适应分布度量

为进一步突破固定数学度量的局限，研究提出了双轨对抗挖掘网络（DTAN）。该模型利用两个WGAN-GP判别器分别替代输出轨的非平衡最优传输和潜空间轨的切片Wasserstein距离。在对抗博弈过程中，判别器能够自适应地学习分布差异的最优刻画，发现手工度量无法捕捉的非线性分布差异。这种可学习的分布度量机制使得模型不再依赖人为预定义的固定规则，而是通过与不断进化的对手竞争来优化生成器。实证结果显示，DTAN模型在多头组合年化收益率和最大回撤控制上均达到了最优水平，验证了对抗学习在因子挖掘中的有效性。

指数增强策略表现

基于表现最优的DTAN模型，研究进一步构建了沪深300、中证1000及国证2000指数增强策略。回测数据显示，DTAN模型在不同市值风格的指数增强中均展现出显著的超额收益能力。其中，沪深300指数增强策略年化超额收益率表现稳健，中证1000与国证2000指数增强策略则获得了更高的年化超额收益。这表明双轨对抗挖掘框架不仅提升了因子本身的IC值，更在实际组合构建中转化为可持续的超额收益，且在不同市场环境下具备较好的适应性。