因子选股系列之一一五：DFQ-diversify，解决分布外泛化问题的自监督领域识别与对抗解耦模型

有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 金融金融工程工程 | 专题报题报告 研究结论 DFQ-Diversify 模型有效解决分布外泛化问题 ⚫ 本文提出全新模型 DFQ-Diversify，通过引入自监督领域识别与对抗训练机制，实现标签预测任务与领域识别任务的显式解耦。该模型无需人工预设环境变量，能够自主识别潜在领域信息，进而提取出对外部扰动不敏感、跨领域稳定的预测特征，增强模型的分布外泛化能力。 模型创新性地引入“领域-标签”解耦框架 ⚫ 模型训练流程包含三个核心模块：update_d、set_dlabel 和 update，通过对抗训练机制同时完成领域识别与标签预测任务，实现两者的显式解耦。 自监督动态领域划分机制提升灵活性与泛化适应能力 ⚫ 领域是对数据分布的动态划分，用以识别影响预测任务的潜在环境因素。有效的领域划分应帮助模型隔离非目标信息，强化对标签驱动因素的建模能力。 ⚫ Diversify 模型实现无监督聚类式领域更新，克服了传统模型依赖预设环境变量的缺陷，使模型能在不同时间和截面维度上自适应发现领域结构。 三重对抗训练机制增强特征解耦与迁移稳健性 ⚫ 模块间对抗更新：update_d 与 update 模块共享特征提取器，但目标相反，前者强化领域预测、抑制标签预测，后者则反之。 ⚫ 双损失对抗平衡：update_d 与 update 模块均采用双损失函数，模块内部同时优化正向与抑制目标，在任务冲突中寻求最优解。 ⚫ 梯度反转层机制：通过在反向传播更新时反转梯度符号，实现无需标签监督的高效信息屏蔽，迫使特征提取器学习与标签或领域无关的特征，助力特征解耦。 与 Factorvae-pro 的对比：从静态环境变量到动态领域建模 ⚫ DFQ-Diversify 与 Factorvae-pro 均基于不变学习思想，致力于在训练过程中剥离随环境变化而波动的非稳态特征，提取与标签高度因果相关的稳定因子，实现“风格中性化”，以减少模型对市场风格的依赖。 ⚫ Factorvae-pro 依赖人工设定时间标签作为环境变量，主观性强、维度单一；Diversify 引入自监督学习，动态识别潜在领域，实现对时间与截面双维扰动建模，提升灵活性与泛化能力。Factorvae-pro 采用协同训练策略，Diversify 则基于对抗机制，通过任务博弈实现特征解耦，提升稳定性和模型适应性。 多市场回测表现优异，泛用性强 ⚫ 模型在中证全指、沪深 300、中证 500 等多个股票池中均取得显著绩效，尤其在大盘股表现突出。2020-2025 年间，中证全指池中 IC 达 12.22%，rankIC 达 14.58%，多头组合年化超额收益达 32.52%。在 2024 年复杂行情中展现出更强稳健性。 指数增强组合效果稳健，风险受控 ⚫ 在沪深 300 与中证 500 增强策略中，模型分别实现信息比 1.89 和 1.67，年化超额收益 11.27%和 12.19%。超额收益主要来源于特质收益，占比超过 50%。 风险提示 1. 量化模型失效风险。 2. 极端市场环境对模型的影响。 报告发布日期 2025 年 05 月 07 日 杨怡玲 yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 刘静涵 021-63325888*3211 liujinghan@orientsec.com.cn 执业证书编号：S0860520080003 香港证监会牌照：BSX840 盈余公告异象类因子改进与挖掘：——因子选股系列之一一四 2025-04-22 时点风险模型：——因子选股系列之一一三 2025-04-20 ADWM：基于门控机制的自适应动态因子加权模型：——因子选股系列之一一二 2025-04-10 DFQ-FactorVAE-pro：加入特征选择与环境变量模块的 FactorVAE 模型：——因子选股系列之一一一 2025-02-19 ABCM：基于神经网络的alpha因子和beta因子协同挖掘模型：——因子选股系列之一一〇 2024-12-03 相对定价类基本面因子挖掘：——因子选股系列之一〇九 2024-10-11 KD-Ensemble：基于知识蒸馏的 alpha 因子挖掘模型：——因子选股系列之一〇八 2024-08-19 DFQ-XGB：基于树模型的 alpha 预测方案：——因子选股系列之一〇七 2024-08-15 基于风险注意力的因子挖掘模型：——因子选股系列之一〇六 2024-05-29 非线性市值风控全攻略：——因子选股系列之一〇五 2024-05-27 融合基本面信息的 ASTGNN 因子挖掘模型：——因子选股系列之一〇四 2024-05-27 DFQ-FactorVAE：融合变分自编码器和概率动态因子模型的 alpha 预测方案：——因子选股系列之一〇三 2024-05-14 基本面因子的重构：——因子选股系列之一〇二 2024-03-21 自适应时空图网络周频 alpha 模型：——因子选股系列之一〇一 2024-02-28 DFQ-HIST：添加图信息的选股因子挖掘系统：——因子选股系列之一百 2024-02-07 基于异构图神经网络的股票关联因子挖掘：——因子选股系列之九十九 2024-01-02 DFQ-diversify：解决分布外泛化问题的自监督领域识别与对抗解耦模型 ——因子选股系列之一一五 金融工程 | 专题报告 —— DFQ-diversify：解决分布外泛化问题的自监督领域识别与对抗解耦模型 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 2 目 录 一、研究背景 ................................................................................................. 6 一、 模型原理 .......................................................................................... 7 2.1 模型整体架构 ............................................................................................................... 7 2.1.1 领域学习器（update_d） 7 2.1.2 领域预测更新（set_label） 8 2.1.3 标签学习器（update） 8 2.2 模型关键点 .................................................................................................