国泰海通量化选股系列（五）——让深度学习因子适应不同市场环境

多粒度深度学习因子局限性分析

• 多粒度因子表现与风格特征分析：多粒度深度学习因子在全市场和小市值范围内表现亮眼，但在沪深300、中证500、中证1000成分内表现显著衰退。其多头收益时序表现波动较大，尤其在2024年2月、2025年9月和2026年6月出现显著超额回撤。空气指增组合表现优异，但回撤较大，2026年5月至7月绝对收益回撤接近28%。多粒度因子与市值、市值平方、特质波动、换手率等风格因子高相关，尤其是与市值因子相关性高达-0.3，导致组合易受风格影响波动。
• 正交风格因子的多粒度因子表现：对多粒度因子进行风格正交后，多头和多空表现下降，但因子稳定性（IC-IR）显著提升。分域来看，IC有所下降但IC-IR明显提升。正交后组合表现有所改善，但收益下滑。正交方式只能控制风格暴露，需承担长期收益损失，对指数增强组合的超额稳定性改善不明显。

从特征开始的新深度学习因子尝试

• 多粒度因子的特征选择，模型构建框架解析：多粒度因子不稳定主要源于特征包含成交额、换手率等与风格因子高相关的特征，不同源特征在同一个注意力机制的GRU网络中赋予参数导致权重过高，且模型中缺乏对风格因子的惩罚。
• 多源深度学习因子构建：新模型剔除了成交额、换手率特征，并将不同类特征分别输入不同的GRU模型，保证不同类型选股信息的权重不会快速消亡。构建多源单输出多源深度学习因子，从FNN层同时输出3个因子，加入相关性惩罚层，使得最终输出的3个因子相关性尽可能低。
• 多源深度学习因子表现：多源深度学习因子全市场表现优于多粒度因子，IC也优于多粒度因子。空气指增组合表现稳定，最大回撤下降接近10%。500增强和1000增强组合中，多源深度学习因子超额收益更高，回撤和波动均更小，信息比和超额收益的收益回撤比均更优异。
• 多源深度学习因子的风险因子暴露分析：多源深度因子与市值、非线性市值因子的相关性降低明显。空气指增组合风格因子分位数基本维持在50%左右，组合不再靠某个风格上的过度暴露获取超额收益。
• 添加风格惩罚的多源深度学习因子：对多源深度学习因子进行风格因子相关性惩罚后，因子与风格因子的相关性进一步降低，但组合表现反而更加不稳定，年化超额收益下降，超额最大回撤有所增长。500增强和1000增强组合中，正交惩罚后收益有所下滑，分年度超额收益波动增大，组合稳定性未提升。

总结

多粒度因子整体表现优异，但易受风格影响波动。新构建的多源深度学习因子通过改变特征和模型结构，在不同风格下的稳定性有明显改善，尤其在500增强、1000增强中超额的稳定性提升显著。但添加相关性惩罚的改善方案并不能使因子表现进一步提升，组合稳定性未改善。未来工作方向将更多精力放入到新特征的开发中。多粒度因子在特定市场环境下仍有价值，尤其在多策略场景中值得持续跟踪与维护。

风险提示

市场系统性风险、海外市场波动风险、模型误设风险。