长江金工：深度学习因子的风格暴露与标签中性化研究

发布时间：2026-07-28 一、核心要点 1. 长江证券研究所本次电话会议针对深度学习因子研究，聚焦标签中性化处理以降低风格暴露，属于高频因子挖掘系列内容。 2. 深度学习端到端预测结果受数据源、模型结构、预测内容、目标4个维度影响，其中模型结构影响较小，数据源、预测内容、目标影响较大。 3. 研究发现深度学习产出的因子与低波、流动性、估值因子相关性较高，比如合成因子与低波相关性达40%、与流动性相关性达45%。 4. 原始因子经市值、行业风格中性后，IC出现明显下降，说明风格暴露会影响因子实际投资效果，风险中性会导致因子效果打折。 5. 本次研究重点在预测标签（Y端）做处理，通过将原始收益率替换为市值、行业中性后的残差收益率，构建标签中性化因子，得到阿尔法1（剥离风格+行业）、阿尔法2（剥离市值+行业）两类因子。 6. 标签中性化因子与原始因子相关性较高，阿尔法1相关性约76%、阿尔法2相关性约85%，说明数据源雷同情况下标签端调整空间有限。 7. 标签中性化可降低低波、流动性等风格因子的相关性，阿尔法1与各风格因子相关性绝对值均明显下降，但无法完全消除风格暴露，仅能降低相关程度。 8. 时序层面，阿尔法1与原始因子的相关性波动收敛，在低波因子有效性波动时，标签中性化因子的稳定性优于原始因子。 9. 截面层面，标签中性化的阿尔法1分组超额收益、多空收益略高于原始因子，信息损失小于目标维度中性；时序层面，标签中性化因子可淡化低波风格影响，在低波表现弱时相对原始因子表现更好，低波表现强时表现偏弱。 10. 研究还构建了贝塔层面标签因子，与原始因子、阿尔法1相关性低，其收益来源偏向风格，而阿尔法因子收益占比更高（约3/4），贝塔风格因子占比约1/4。二、风险与关注 1. 标签中性化无法完全消除风格暴露，仅能降低相关程度，模型仍可能受市场风格波动影响。 2. 基于市场环境划分的时序分域方法存在不可回测性，需依赖历史全数据划分，主观判断会影响策略效果。 3. 深度学习因子对过去统计规律依赖较强，若市场风格发生重大变化，因子有效性可能下降。三、后续研究方向 1. 本次汇报后将展示时序及深度学习X端（数据源）改进的最新研究成果与数据。