StableAlpha：更稳定的深度学习因子构建方法研究

深度学习因子的风格依赖困境

深度学习模型在量化选股中的应用日益广泛，其优势在于能够同时处理多维度输入变量，并通过非线性结构捕捉变量之间的复杂关系，为量价数据、基本面数据、分析师预期、文本信息等多源数据的联合建模提供了更灵活的工具。然而，实际研究中发现一个值得重视的现象：端到端训练得到的深度学习因子，往往并不完全是新的独立Alpha。许多模型在回测初期表现较好，但经过Barra风格归因后，其因子暴露集中在低波动、小市值、短期反转、低流动性等方向。进一步对因子进行行业和风格中性化后，原本较高的RankIC或分组收益可能明显下降，甚至失去稳定性。

这说明模型表面上学习到了复杂的时序关系和非线性特征，实际上可能只是在用更复杂的方式复制已有风格风险。问题的关键不在于深度学习模型是否足够复杂，而在于模型可能通过"风格捷径"降低损失，优先学习历史上最容易解释收益差异、信噪比最高的部分。今年以来，市场阶段性切换高成长、高Beta、高动量风格，过去几年表现良好的传统深度学习因子普遍表现一般甚至出现方向反转，以中证500为代表的宽基指数在今年通过量化指增方式获取超额收益的难度明显增加。

标签设计：收益分解与残差Alpha提取

深度学习选股模型通常以未来收益率作为训练标签，但这个标签本身并不是纯Alpha，而是混合了市场收益、行业收益、风格收益和个股特异收益。从横截面角度看，个股未来收益可以拆分为多个部分：一部分来自市场和行业，一部分来自市值、Beta、波动率、动量、流动性等风格暴露，还有一部分才是难以被常见风险因子解释的残差收益。

在不少历史阶段中，小市值、低流动性、短期反转、低波动等风格本身就具有较强的横截面收益解释力。对于神经网络而言，这些风格信号不仅稳定存在于训练样本中，而且比真正的个股特异Alpha更容易被捕捉，因此模型会自然地把这些风格暴露作为主要预测依据。当模型标签设置为未来不同期限收益时，模型学习到的风格特征也会有所差异。从实际经验来看，较短周期标签并不一定主要体现反转，反而更容易带有短期动量特征；而当预测周期拉长时，反转和流动性相关信号往往会更加突出。

样本权重：市值分布与训练偏差的矫正

端到端模型常见的训练方式是将每只股票过去一段窗口期的数据视作一条样本，并对所有样本赋予相同权重。这种做法实现简单，也有利于提升样本数量，但会带来一个隐含问题：股票数量最多的群体，会在训练中拥有更高的话语权。以全市场股票池为例，大市值龙头股票数量有限，而中小市值和微盘股票数量更多。如果训练样本完全等权，模型参数更新过程中，小市值股票的样本贡献会显著放大。

与此同时，小市值股票的收益弹性更强、截面离散度更高，极端收益和短期反转现象也更常见。为了降低整体损失函数，模型很容易优先适配这部分样本。因此，即使输入数据中没有显式提供市值变量，模型也可能通过成交金额、换手率、价格波动、历史收益形态等代理变量间接识别小市值股票，导致最终形成的因子在Barra归因中表现出明显的小市值暴露。

数据输入：量价特征中的风格代理信息

深度学习模型常用的输入数据包括开盘价、最高价、最低价、收盘价、成交量、成交金额、技术指标等。表面上看，这些是标准的量价特征；但从风险模型角度看，它们也包含了大量风格代理信息。例如，过去一段时间的收益波动、振幅和回撤可以帮助模型识别低波动或高波动股票；成交额、换手率和价格冲击可以帮助模型识别流动性水平；短期累计涨跌幅可以帮助模型识别反转或动量特征；长期成交活跃度和价格水平则可能间接反映股票市值和投资者结构。这意味着，网络并不需要显式读取风格因子，也可以从原始量价数据中还原出许多风格信息，模型越复杂，识别这些代理变量的能力可能越强。

StableAlpha的构建逻辑与实证框架

在上述背景下，本文从理论出发，结合实际经验，构建了更稳定的深度学习因子StableAlpha。更稳定意味着超额收益靠的不是、至少不只是单一风格所带来的阶段性收益，而是能够穿越市场风格的纯Alpha。相关针对性改进包括标签设计、权重调整、数据处理和长期有效性约束等多个维度，结合数据、模型、损失函数、标签等做细微调优，寻找最佳训练范式。

实证分析以沪深全市场为数据集，采用多频量价数据和风格数据作为输入，训练标签为未来t+1日~t+21日vwap收益率。训练与验证集固定为2008年至2019年，测试集为2020年至2026年7月17日，采用单次训练无滚动方式，回测方式为t+1日vwap买入、t+1+n日vwap卖出。

风格相关性特征与因子独立性验证

从与Barra风格因子的相关性来看，StableAlpha在市值因子上的暴露为-0.23，在流动性因子上为-0.33，在残差波动因子上为-0.29，整体低于部分传统深度学习因子。与agru_dailyquote、DL_1、fimage等其他深度学习因子的相关性分别为0.48、0.58、0.30，显示出一定的差异性，但并非完全独立。

多维度RankIC表现与跨市场稳定性

月度RankIC指标显示，2020年以来StableAlpha在沪深全市场的月度RankIC均值为12.2%，胜率为93.0%；在沪深300为8.7%，胜率71.5%；在中证500为7.2%，胜率77.3%；在中证1000为10.4%，胜率87.8%；在创业板为15.6%，胜率93.5%。2026年以来，各市场月度RankIC均值分别为11.2%、7.2%、6.1%、9.7%、10.8%，胜率分别为96.1%、69.5%、75.8%、90.6%、88.3%。

周度RankIC指标显示，2020年以来沪深全市场周度RankIC均值为9.4%，胜率87.1%；沪深300为6.1%，胜率65.8%；中证500为5.9%，胜率70.2%；中证1000为7.8%，胜率80.5%；创业板为11.8%，胜率87.0%。

指数增强策略的应用效果

指数增强表现方面，2020年以来StableAlpha在中证全指、沪深300、中证500、中证1000、创业板的超额年化收益率分别为9.48%、5.48%、7.91%、12.00%、5.03%，最大回撤率分别为3.33%、4.27%、4.94%、4.12%、5.45%。2026年以来超额累计收益率分别为9.41%、3.65%、10.81%、8.91%、4.94%，最大回撤率分别为2.88%、1.24%、2.74%、2.42%、2.23%。

策略拥挤与长期有效性风险

小市值、低波动、反转和低流动性并非完全无效的风险来源，但这些收益具有明显的周期性和环境依赖，不能简单视作稳定的个股Alpha。更重要的是，当大量模型使用相似的数据、相似的标签和相似的训练框架时，它们可能学到相近的风格偏好，形成策略拥挤。一旦市场环境变化，相关模型可能在同一方向上同时减仓或调仓，导致风格踩踏和收益回撤。StableAlpha的构建目标正是通过减少对传统风格暴露的依赖，降低策略拥挤风险，提升因子在不同市场环境下的适应能力。