长江金工：深度学习因子的风格暴露与标签中性化研究

一、核心要点

1. 长江证券研究所通过电话会议探讨了深度学习因子研究中的标签中性化处理，旨在降低风格暴露，属于高频因子挖掘系列。
2. 深度学习端到端预测结果受数据源、预测内容、目标影响较大，模型结构影响较小。
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，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显著下降，表明风格暴露影响因子实际效果，风险中性会导致因子效果打折。
5. 研究重点在预测标签（Y端）处理，通过市值、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显著下降，但无法完全消除风格暴露。
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，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（约1/4），阿尔法因子收益占比更高（约3/4）。

二、风险与关注

1. 标签中性化无法完全消除风格暴露，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，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。