双轨最优传输分布纠偏与对抗生成式因子挖掘模型

西南证券研究院分析师祝晨宇撰写的研报，探讨了基于最优传输（OT）理论和生成对抗网络（GAN）的量化因子挖掘模型。报告首先介绍了OT和GAN的理论背景，包括最优传输问题的历史背景、数学框架、不平衡最优传输（UOT）以及GAN的结构和与OT的联系。随后，报告构建了一系列逐步完善的因子模型：

1. 基线模型（G0）：采用Transformer编码器和IC损失函数，具备一定的选股效果，但存在排序驱动、资源分配不均和泛化能力不足等问题。
2. 全局分布对齐模型（GDA）：在基线模型基础上加入切片Wasserstein距离损失，实现预测分布与真实收益分布的几何差异度量，IC均值和多头收益提升。
3. 非平衡输出对齐模型（UOA）：引入UOT框架，将传输容量向多头端倾斜，并加入条件状态感知机制，进一步提升多头收益。
4. 双轨Sinkhorn网络（DTSN）：在UOA模型基础上新增潜空间历史模板对齐机制，通过记忆库锚定截面潜特征，增强模型稳定性。
5. 双轨对抗挖掘网络（DTAN）：使用WGAN-GP对抗网络替代手工距离度量，在输出端和潜空间双轨实现自适应对齐，进一步优化多头收益和回撤表现。

研究结果显示，DTAN模型在IC均值、多头组合年化收益率和最大回撤率等方面均表现最佳。因子分布检验表明，GDA模型在分布形状拟合效果上领先，DTAN模型次之，UOA和DTSN模型因UOT偏心导致尾部形状扭曲。指数增强测试显示，DTAN模型在沪深300、中证1000和国证2000指数增强策略中均取得显著超额收益。

报告最后展望了未来研究方向，包括升级判别器架构、优化潜空间记忆库更新策略以及提升GAN训练稳定性等。