国泰海通量化选股系列（五）——让深度学习因子适应不同市场环境

2026年以来，传统多粒度深度学习因子在量化选股领域的稳定性面临极大挑战。作为过去几年表现优异的模型，其在指数增强应用场景中出现了极不稳定的业绩波动。针对这一现象，国泰海通证券金融工程团队通过深入拆解因子构建过程，发现改变模型输入特征并修正模型架构是改善因子表现的关键路径。

多粒度因子的历史优异表现与近期衰退

多粒度深度学习因子采用双头注意力机制的GRU模型，输入特征涵盖日度、分钟K线及盘口快照、逐笔成交统计，囊括日频、1小时、30分钟三个频率。从历史数据看，该因子长期表现突出。以2020年1月至2026年8月为例，多粒度2周标签因子构建的空气指增组合相对Wind全A等权指数的年化超额收益高达27.88%，信息比超过2.2。中证500和中证1000增强组合的超额年化也分别达到11.45%和17.72%。

然而，这种优异表现并未持续。最近两年因子表现显著衰退，特别是在2026年，中证500增强组合甚至录得负超额收益。数据显示，多粒度因子在小市值股票范围内的表现远优于沪深300、中证500及中证1000成分股内部。全市场多头表现与小市值范围内多头表现的显著差异，揭示了因子对特定市场风格的依赖。

风格因子高相关性导致的稳定性缺失

多粒度因子的不稳定表现很大程度上源于其与风格因子，尤其是市值因子的高相关性。统计显示，多粒度因子与市值、市值平方、特质波动率及换手率均有较高相关性，其中与市值因子的相关性均值高达-0.31左右。这意味着因子本质上隐含了强烈的做空大盘、做多小盘的暴露。

进一步分析空气指增组合的多头持仓发现，多粒度2周标签组合的历史市值分位数均值仅为18.9%，且自2022年以来呈现越来越偏向小市值的趋势。当微盘股相对于中证500、中证1000指数表现出现剧烈波动时，由该因子构建的组合便会出现显著的业绩回撤。例如在2024年2月、2025年9月以及2026年6月，组合均经历了极大的超额回撤。这表明当市场存在强烈的风格影响时，组合稳定性与极端市值风格的强弱有显著相关性。

简单正交化的局限性与特征重构方案

解决因子过度风格暴露的最直接方式是对因子进行正交处理，即剔除与市值等风格因子的线性相关部分。测试表明，简单的与风格因子正交并不能很好地解决多粒度因子的不稳定问题。虽然正交后因子IC-IR有所提升，但在500增强与1000增强组合中，单纯中性化后2026年的组合超额收益依然趋近于0。正交往往只能控制风格暴露，同时需要承担特定选股范围内长期收益的显著损失，且分年度超额稳定性并未得到根本改善。

详细拆解多粒度因子构建过程发现，其高相关性主要来自于特征中包含的成交额、换手率等与风格因子强相关的变量。此外，由于不同源特征在同一GRU网络中训练，模型容易赋予历史表现更优的特征过高权重，导致在动量风格占优市场中，偏动量的收益率类特征失效。

基于此，研究团队构建了新的“多源深度学习因子”。该模型做了两处关键变更：一是剔除了成交额、换手率等与风格因子强相关的特征，从源头上降低相关性；二是将不同类别的特征分别输入不同的GRU模型，仅在最后的FNN层进行聚合。这种结构保证了不同类型选股信息的权重不会快速消亡，避免了弱势特征被过度降权。

多源深度学习因子的实证表现

修正后的多源深度学习因子在稳定性上展现出明显优势。在全市场表现上，多输出多源深度学习因子的IC值优于多粒度因子。更重要的是，在不同选股范围内的表现更加均衡。数据显示，单输出与多输出多源深度学习因子在沪深300、中证500、中证1000内的多头收益差异显著缩小，不再像多粒度因子那样极度依赖小市值域。

在指数增强应用中，多源深度学习因子的表现更为稳健。以中证500增强为例，多输出1、2周均值组合的年化超额收益为13.21%，最大回撤仅为6.06%，信息比高达2.467。相较于多粒度因子，其超额收益更高且回撤与波动均更小。在2026年的市场环境下，多源深度学习因子的组合表现明显优于多粒度因子，能够维持正超额收益，有效规避了因风格切换导致的巨额亏损。

风险因子暴露分析进一步证实了改进的有效性。多源深度因子与市值因子的相关性均值降至-0.15左右，约为多粒度因子的一半。空气指增组合的多头风格因子分位数基本维持在50%左右，组合不再依赖单一风格的过度暴露获取超额收益。

叠加风格惩罚的反直觉结果

为了进一步降低风格影响，研究尝试在多源深度学习模型基础上叠加风格惩罚，即在Loss函数中加入与风格因子的相关性惩罚项。结果显示，虽然因子与风格因子的相关性进一步降低至接近0，但多源深度学习因子的指数增强表现并没有显著提升，反而增加了组合的不稳定性。

具体而言，添加风格惩罚后，空气指增组合的年化超额收益有明显衰退，超额最大回撤甚至有所增长。在500和1000增强组合中，分年度的超额收益波动增大，组合稳定性并未随正交惩罚的施加而提升。这一结果表明，强行切断因子与风格的相关性可能破坏了模型捕捉市场动态的有效逻辑，或者导致模型在训练过程中丢失了必要的区分度信息。

结论与投资启示

深度学习因子不稳定性的主要来源在于构建因子的特征本身包含了与风格因子高相关的变量，且模型训练未对此进行处理。通过剔除高相关特征并调整模型架构为多源输入，可以显著改善因子在不同市场环境下的适应性，提升指数增强策略的超额收益稳定性。

然而，简单地通过数学手段强制正交或添加风格惩罚并非最优解，甚至可能适得其反。特征对于深度因子最终表现起决定性作用，未来的工作方向应聚焦于开发更多非风格依赖的有效数据特征。同时，鉴于多粒度因子在特定市场环境（如2025年）下的优异弹性，其依然具有使用价值，适合在多策略组合中进行配置与维护，而非完全摒弃。