StableAlpha：更穩定的深度學習因子構建方法研究

深度學習因子的風格依賴困境

深度學習模型在量化選股中的應用日益廣泛，其優勢在于能夠同時處理多維度輸入變量，并通過非線性結構捕捉變量之間的復雜關系，為量價數據、基本面數據、分析師預期、文本信息等多源數據的聯合建模提供了更靈活的工具。然而，實際研究中發現一個值得重視的現象：端到端訓練得到的深度學習因子，往往并不完全是新的獨立Alpha。許多模型在回測初期表現較好，但經過Barra風格歸因后，其因子暴露集中在低波動、小市值、短期反轉、低流動性等方向。進一步對因子進行行業和風格中性化后，原本較高的RankIC或分組收益可能明顯下降，甚至失去穩定性。

這說明模型表面上學習到了復雜的時序關系和非線性特征，實際上可能只是在用更復雜的方式復制已有風格風險。問題的關鍵不在于深度學習模型是否足夠復雜，而在于模型可能通過"風格捷徑"降低損失，優先學習歷史上最容易解釋收益差異、信噪比最高的部分。今年以來，市場階段性切換高成長、高Beta、高動量風格，過去幾年表現良好的傳統深度學習因子普遍表現一般甚至出現方向反轉，以中證500為代表的寬基指數在今年通過量化指增方式獲取超額收益的難度明顯增加。

標簽設計：收益分解與殘差Alpha提取

深度學習選股模型通常以未來收益率作為訓練標簽，但這個標簽本身并不是純Alpha，而是混合了市場收益、行業收益、風格收益和個股特異收益。從橫截面角度看，個股未來收益可以拆分為多個部分：一部分來自市場和行業，一部分來自市值、Beta、波動率、動量、流動性等風格暴露，還有一部分才是難以被常見風險因子解釋的殘差收益。

在不少歷史階段中，小市值、低流動性、短期反轉、低波動等風格本身就具有較強的橫截面收益解釋力。對于神經網絡而言，這些風格信號不僅穩定存在于訓練樣本中，而且比真正的個股特異Alpha更容易被捕捉，因此模型會自然地把這些風格暴露作為主要預測依據。當模型標簽設置為未來不同期限收益時，模型學習到的風格特征也會有所差異。從實際經驗來看，較短周期標簽并不一定主要體現反轉，反而更容易帶有短期動量特征；而當預測周期拉長時，反轉和流動性相關信號往往會更加突出。

樣本權重：市值分布與訓練偏差的矯正

端到端模型常見的訓練方式是將每只股票過去一段窗口期的數據視作一條樣本，并對所有樣本賦予相同權重。這種做法實現簡單，也有利于提升樣本數量，但會帶來一個隱含問題：股票數量最多的群體，會在訓練中擁有更高的話語權。以全市場股票池為例，大市值龍頭股票數量有限，而中小市值和微盤股票數量更多。如果訓練樣本完全等權，模型參數更新過程中，小市值股票的樣本貢獻會顯著放大。

與此同時，小市值股票的收益彈性更強、截面離散度更高，極端收益和短期反轉現象也更常見。為了降低整體損失函數，模型很容易優先適配這部分樣本。因此，即使輸入數據中沒有顯式提供市值變量，模型也可能通過成交金額、換手率、價格波動、歷史收益形態等代理變量間接識別小市值股票，導致最終形成的因子在Barra歸因中表現出明顯的小市值暴露。

數據輸入：量價特征中的風格代理信息

深度學習模型常用的輸入數據包括開盤價、最高價、最低價、收盤價、成交量、成交金額、技術指標等。表面上看，這些是標準的量價特征；但從風險模型角度看，它們也包含了大量風格代理信息。例如，過去一段時間的收益波動、振幅和回撤可以幫助模型識別低波動或高波動股票；成交額、換手率和價格沖擊可以幫助模型識別流動性水平；短期累計漲跌幅可以幫助模型識別反轉或動量特征；長期成交活躍度和價格水平則可能間接反映股票市值和投資者結構。這意味著，網絡并不需要顯式讀取風格因子，也可以從原始量價數據中還原出許多風格信息，模型越復雜，識別這些代理變量的能力可能越強。

StableAlpha的構建邏輯與實證框架

在上述背景下，本文從理論出發，結合實際經驗，構建了更穩定的深度學習因子StableAlpha。更穩定意味著超額收益靠的不是、至少不只是單一風格所帶來的階段性收益，而是能夠穿越市場風格的純Alpha。相關針對性改進包括標簽設計、權重調整、數據處理和長期有效性約束等多個維度，結合數據、模型、損失函數、標簽等做細微調優，尋找最佳訓練范式。

實證分析以滬深全市場為數據集，采用多頻量價數據和風格數據作為輸入，訓練標簽為未來t+1日~t+21日vwap收益率。訓練與驗證集固定為2008年至2019年，測試集為2020年至2026年7月17日，采用單次訓練無滾動方式，回測方式為t+1日vwap買入、t+1+n日vwap賣出。

風格相關性特征與因子獨立性驗證

從與Barra風格因子的相關性來看，StableAlpha在市值因子上的暴露為-0.23，在流動性因子上為-0.33，在殘差波動因子上為-0.29，整體低于部分傳統深度學習因子。與agru_dailyquote、DL_1、fimage等其他深度學習因子的相關性分別為0.48、0.58、0.30，顯示出一定的差異性，但并非完全獨立。

多維度RankIC表現與跨市場穩定性

月度RankIC指標顯示，2020年以來StableAlpha在滬深全市場的月度RankIC均值為12.2%，勝率為93.0%；在滬深300為8.7%，勝率71.5%；在中證500為7.2%，勝率77.3%；在中證1000為10.4%，勝率87.8%；在創業板為15.6%，勝率93.5%。2026年以來，各市場月度RankIC均值分別為11.2%、7.2%、6.1%、9.7%、10.8%，勝率分別為96.1%、69.5%、75.8%、90.6%、88.3%。

周度RankIC指標顯示，2020年以來滬深全市場周度RankIC均值為9.4%，勝率87.1%；滬深300為6.1%，勝率65.8%；中證500為5.9%，勝率70.2%；中證1000為7.8%，勝率80.5%；創業板為11.8%，勝率87.0%。

指數增強策略的應用效果

指數增強表現方面，2020年以來StableAlpha在中證全指、滬深300、中證500、中證1000、創業板的超額年化收益率分別為9.48%、5.48%、7.91%、12.00%、5.03%，最大回撤率分別為3.33%、4.27%、4.94%、4.12%、5.45%。2026年以來超額累計收益率分別為9.41%、3.65%、10.81%、8.91%、4.94%，最大回撤率分別為2.88%、1.24%、2.74%、2.42%、2.23%。

策略擁擠與長期有效性風險

小市值、低波動、反轉和低流動性并非完全無效的風險來源，但這些收益具有明顯的周期性和環境依賴，不能簡單視作穩定的個股Alpha。更重要的是，當大量模型使用相似的數據、相似的標簽和相似的訓練框架時，它們可能學到相近的風格偏好，形成策略擁擠。一旦市場環境變化，相關模型可能在同一方向上同時減倉或調倉，導致風格踩踏和收益回撤。StableAlpha的構建目標正是通過減少對傳統風格暴露的依賴，降低策略擁擠風險，提升因子在不同市場環境下的適應能力。