最優傳輸與對抗生成網絡在因子挖掘中的具體應用機制是什么？

最優傳輸理論在因子挖掘中的應用旨在解決傳統IC損失函數僅約束預測值排序方向，而忽略預測分布與真實收益分布形態差異的問題。報告首先提出了全局分布對齊模型（GDA），將切片Wasserstein距離引入損失函數，直接度量預測值與真實收益之間的幾何分布差異，從而約束預測分布的尾部厚度和偏度，提升多頭端的區分度。隨后，針對標準最優傳輸“公平對齊”導致多頭資源分配不足的問題，報告構建了非平衡輸出對齊模型（UOA）。UOA通過KL散度松弛邊緣約束，并引入Top-K目標邊緣增強，將傳輸代價向高收益區間傾斜，同時結合條件狀態感知模塊自適應調節匹配強度，使模型更專注于多頭組合的挖掘。 在潛空間層面，報告提出了雙軌Sinkhorn網絡（DTSN），通過維護歷史牛股潛特征記憶庫，利用切片Wasserstein距離將當前截面潛特征錨定在歷史穩定牛股模式上，防止表征漂移。為進一步突破固定度量的局限，報告最終提出了雙軌對抗挖掘網絡（DTAN）。DTAN利用兩個WGAN-GP判別器分別替代輸出軌的UOT和潛空間軌的切片Wasserstein。判別器在對抗博弈中自適應地學習分布差異，發現手工度量無法捕捉的非線性分布特征。這種可學習的判別器機制使得生成器（Transformer）被迫與不斷進化的對手競爭，從而在輸出端和潛空間雙維度上實現更精細的分布糾偏，顯著提升了因子的選股能力和穩定性。