20260615-西南证券-双轨最优传输分布纠偏与对抗生成式因子挖掘模型_48页_7mb

报告摘要

双轨最优传输分布纠偏与对抗生成式因子挖掘模型总结

核心内容

本文提出了一种结合最优传输理论与生成对抗网络（GAN）的因子挖掘模型，旨在解决传统IC损失函数和深度Transformer网络在金融因子挖掘中的局限性。传统IC损失仅关注预测值的排序方向，忽视了分布形态的结构性要求，导致因子在高IC表现下仍存在尾部区分度不足与跨期不稳定的问题。而深度Transformer网络在时序特征编码中缺乏底层表征约束，容易将所有有效信号压缩至序列末端，造成潜空间漂移与过拟合。

为此，本文从两个方向进行优化：一是通过引入最优传输理论进行分布对齐，二是通过对抗生成网络实现分布度量的自适应进化。最终提出双轨对抗挖掘网络（DTAN），在因子分布拟合、多头组合收益和风险控制等方面均取得显著提升。

主要观点

最优传输理论：
- 最优传输（OT）问题源于土方挖掘与填充的几何问题，后被推广至概率测度空间，成为衡量分布差异的重要工具。
- Wasserstein距离具有良好的几何性质，能够有效捕捉分布差异，但计算复杂度高。
- 切片Wasserstein距离（SWD）通过随机投影降低计算复杂度，适用于高维场景，且具有理论保证。
不平衡最优传输（UOT）：
- 通过引入KL散度作为软性边际约束，解决了标准OT对离群点敏感、分布规模不一致、分布偏移脆弱等问题。
- UOT模型在IC均值、多头组合年化收益等方面优于标准OT模型。
对抗生成网络（GAN）：
- GAN通过生成器与判别器的对抗博弈，实现了分布匹配。
- WGAN通过引入梯度惩罚（GP）机制，解决了原始GAN中的梯度消失问题，提升了训练稳定性。
双轨模型：
- 双轨Sinkhorn网络（DTSN）：在输出轨外新增潜空间锚定轨，通过动态更新的潜特征记忆库锚定股票的跨期表现，提升模型的稳定性与泛化能力。
- 双轨对抗挖掘网络（DTAN）：用两个WGAN-GP判别器替代固定距离度量，使分布度量在对抗博弈中自适应进化，进一步提升因子表现。

关键信息

模型表现对比

模型	因子IC均值	多头组合年化收益率	最大回撤	年化超额收益率
基线模型（Transformer + IC损失）	0.0976***	35.23%	36.38%	21.42%
GDA模型	0.1045	38.66%	-	-
UOA模型	0.1117	40.50%	-	-
DTSN模型	0.1137	42.19%	-	-
DTAN模型	0.1173	45.04%	-	-

DTAN模型在因子IC均值、多头组合年化收益率和最大回撤控制方面表现最优。
DTAN模型在沪深300、中证1000、国证2000指数增强策略中分别取得13.36%、24.22%、31.75%的年化超额收益率。

分布拟合检验

GDA模型在W1指标上表现最佳，分布形状拟合效果优于其他模型。
DTAN模型在W1指标上表现次之，且在因子分布形状拟合方面优于UOA和DTSN模型。

风险提示

所有模型表现基于历史数据，存在数据滞后性与第三方数据不准确的风险。
策略效果仅针对回测区间，不能保证未来表现，也不构成投资建议。

模型结构与优化路径

全局分布对齐模型（GDA）：
- 引入切片Wasserstein距离作为损失函数，实现预测分布与真实收益分布的几何对齐。
非平衡最优传输模型（UOA）：
- 引入KL散度作为边际惩罚项，实现对离群点的鲁棒性。
- 通过条件状态感知模块，自适应调节匹配强度。
双轨Sinkhorn网络（DTSN）：
- 在输出轨外新增潜空间锚定轨，通过动态更新的潜特征记忆库锚定跨时间牛股参照系。
- 强迫模型使用历史上稳定牛股模式编码股票，提升因子稳定性。
双轨对抗挖掘网络（DTAN）：
- 用两个WGAN-GP判别器替代固定距离度量，实现分布度量的自适应进化。
- 通过对抗博弈，提升模型的鲁棒性与泛化能力。

附录

图表目录

图1: Monge映射原理示意
图2: GAN结构示意
图3: WGAN-GP结构示意
图4: 基线模型因子IC
图5: 基线模型因子分组-绝对净值
图6: 基线模型因子分组测试-相对净值
图7: 基线模型因子多头分年度净值
图8: GDA模型因子IC
图9: GDA模型因子分组-绝对净值
图10: GDA模型因子分组测试-相对净值
图11: GDA模型因子多头分年度净值
图12: UOA模型因子IC
图13: UOA模型因子分组-绝对净值
图14: UOA模型因子分组测试-相对净值
图15: UOA模型因子多头分年度净值
图16: DTSN模型结构
图17: DTSN模型因子IC
图18: DTSN模型因子分组-绝对净值
图19: DTSN模型因子分组测试-相对净值
图20: DTSN模型因子多头分年度净值
图21: DTAN模型结构
图22: DTAN模型因子IC
图23: DTAN模型因子分组-绝对净值
图24: DTAN模型因子分组测试-相对净值
图25: DTAN模型因子多头分年度净值
图26: 不同模型因子分布与真实分布对比
图27: 不同模型因子分布与真实分布对比（Q-Q图）
图28: DTAN沪深300指数增强表现
图29: DTAN沪深300指数增强超额滚动回撤
图30: DTAN沪深300指数增强表现（近一月）
图31: DTAN沪深300指数增强表现（近三月）
图32: DTAN沪深300指数增强表现（近一年）
图33: DTAN沪深300指数增强表现（近三年）
图34: DTAN中证1000指数增强表现
图35: DTAN中证1000指数增强超额滚动回撤
图36: DTAN中证1000指数增强表现（近一月）
图37: DTAN中证1000指数增强表现（近三月）
图38: DTAN中证1000指数增强表现（近一年）
图39: DTAN中证1000指数增强表现（近三年）
图40: DTAN国证2000指数增强表现
图41: DTAN国证2000指数增强超额滚动回撤
图42: DTAN国证2000指数增强表现（近一月）
图43: DTAN国证2000指数增强表现（近三月）
图44: DTAN国证2000指数增强表现（近一年）
图45: DTAN国证2000指数增强表现（近三年）

表格目录

表1: 3类常见分布差异度量
表2: UOT相较于标准OT的改进
表3: 模型训练特征
表4: 基线模型Transformer及IC_loss模型效果
表5: 基线模型因子10分组表现
表6: 基线模型因子多头分年度超额表现
表7: GDA模型因子测试效果
表8: GDA模型因子10分组表现
表9: GDA模型因子多头分年度超额表现
表10: UOA模型因子测试效果
表11: UOA模型因子10分组表现
表12: UOA模型因子多头分年度超额表现
表13: DTSN模型因子测试效果
表14: DTSN模型因子10分组表现
表15: DTSN模型因子多头分年度超额表现
表16: DTAN模型因子测试效果
表17: DTAN模型因子10分组表现
表18: DTAN模型因子多头分年度超额表现
表19: 各模型因子测试效果
表20: 各模型因子相关性测试
表21: 因子分布情况测试
表22: 因子分布与真实收益分布不同分位点的平均绝对偏差
表23: 沪深300指数成分股因子测试
表24: 沪深300指数增强策略回测结果
表25: DTAN沪深300指数增强策略分区间回测结果
表26: 中证1000指数成分股因子测试
表27: 中证1000指数增强策略回测结果
表28: DTAN中证1000指数增强策略分区间回测结果
表29: 国证2000指数成分股因子测试
表30: 国证2000指数增强策略回测结果
表31: DTAN国证2000指数增强策略分区间回测结果

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载