深度学习因子轮动：从状态交互到MOE多专家路由

研究背景与框架重构

传统多因子模型通常基于相对稳定的截面映射合成Alpha，难以及时适应市场方向、风险偏好与风格结构的变化。本报告构建了一个由指数择时信号驱动的因子轮动与动态选股框架，将前期报告输出的连续择时预测值，由组合仓位信号进一步拓展为股票模型共享的市场状态变量。研究依次考察状态交互、FiLM调制、分支MOE、动态Barra风格配置和八专家MOE等结构，最终将市场状态反馈延伸至日周K线GRU模型与指数增强组合。

国证A指、沪深300、中证1000和创业板指择时策略的全区间年化超额收益分别为5.63%、5.34%、7.81%和8.69%，表明技术形态专家模型在全市场、大盘、小盘与成长风格指数上均具有较好的方向区分能力。结合各指数的相对位置与趋势信息构建的八维市场状态，使模型不仅能够识别市场多空方向，也能刻画状态强弱以及不同风格环境之间的切换。

市场状态重塑多因子Alpha合成

市场状态能够从合成、表示、信息源和股票风格等多个层次重塑多因子Alpha。简单交互模型将四指数状态映射后接入Alpha合成层，FiLM进一步逐通道调制股票隐藏表示，分支MOE根据市场状态动态配置日频量价、分钟高频、基本面和一致预期四类信息源，动态Barra风格配置则直接改变模型对Beta、动量、市值等股票风格的偏好。

以2026年为例，基础多因子MLP的RankIC和多头年化超额收益分别为2.98%和-9.52%；动态Barra风格配置模型将两项指标提高至7.54%和1.66%，多头年化超额收益改善11.18个百分点，同时最大超额回撤收窄2.82个百分点。这一结果表明，市场状态驱动的风格权重在近期压力阶段同时改善了股票排序、超额收益和回撤表现。

MOE多专家路由机制

MOE多专家路由将因子轮动由连续调制进一步推进为“由市场状态选择Alpha合成规则”。模型分别为国证A指、沪深300、中证1000和创业板指设置多头与空头专家，由四指数状态共同决定八个专家的路由权重，使相同的股票信息能够在不同市场环境下采用差异化的合成方式。多因子MLP八专家MOE在2026年取得5.02%的RankIC，多头年化超额收益较基础模型改善6.69个百分点。

日周K线GRU八专家MOE的2026年RankIC由4.60%提高至6.10%，多头年化超额收益由9.79%提高至14.66%。专家输出相关性表明，多头与空头专家形成了具有实质差异的股票排序规则，市场状态路由并非对同一预测模型的简单重复。这种结构差异表明，当市场环境发生切换时，让择时信号在多套Alpha合成规则之间进行路由，比要求单一神经网络通过连续调节适应所有状态具有更强的表达弹性。

换手约束与指数增强应用

择时Alpha能否转化为组合收益，取决于状态切换速度与换手约束之间的匹配。中证1000组合在市场观点翻转时需要完成更大幅度的持仓迁移，固定换手惩罚过强会使上一状态形成的持仓持续占用权重，导致择时增益随约束提高而衰减。引入状态相关的动态换手惩罚，将固定0.75惩罚下的未完成单边换手率由43.51%降至18.67%，并将2026年年化超额收益由-3.71%改善至1.14%。

最终融合MLP与日周K线GRU信号后，中证1000和中证800指数增强组合的全区间年化超额收益分别为18.80%和11.70%，年化信息比分别为3.80和2.68；2026年年化超额收益分别达到14.09%和8.17%。这说明状态识别、Alpha生成与交易约束需要在同一框架下协同设计，利用少量、稳定且可样本外验证的状态变量，提高整个Alpha库的使用效率。