>> 東方證券-因子選股系列之一一五：DFQ-diversify，解決分布外泛化問題的自監(jiān)督領(lǐng)域識別與對抗解耦模型-250507
| 上傳日期： |
2025/5/7 |
大小： |
3206KB |
| 格式： |
pdf 共39頁 |
來源： |
東方證券 |
| 評級： |
-- |
作者： |
劉靜涵,楊怡玲 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
研究結(jié)論
DFQ-Diversify模型有效解決分布外泛化問題
本文提出全新模型DFQ-Diversify，通過引入自監(jiān)督領(lǐng)域識別與對抗訓練機制，實現(xiàn)標簽預測任務與領(lǐng)域識別任務的顯式解耦。該模型無需人工預設環(huán)境變量，能夠自主識別潛在領(lǐng)域信息，進而提取出對外部擾動不敏感、跨領(lǐng)域穩(wěn)定的預測特征，增強模型的分布外泛化能力。
模型創(chuàng)新性地引入“領(lǐng)域-標簽”解耦框架
模型訓練流程包含三個核心模塊：update_d、set_dlabel和update，通過對抗訓練機制同時完成領(lǐng)域識別與標簽預測任務，實現(xiàn)兩者的顯式解耦。
自監(jiān)督動態(tài)領(lǐng)域劃分機制提升靈活性與泛化適應能力
領(lǐng)域是對數(shù)據(jù)分布的動態(tài)劃分，用以識別影響預測任務的潛在環(huán)境因素。有效的領(lǐng)域劃分應幫助模型隔離非目標信息，強化對標簽驅(qū)動因素的建模能力。
Diversify模型實現(xiàn)無監(jiān)督聚類式領(lǐng)域更新，克服了傳統(tǒng)模型依賴預設環(huán)境變量的缺陷，使模型能在不同時間和截面維度上自適應發(fā)現(xiàn)領(lǐng)域結(jié)構(gòu)。
三重對抗訓練機制增強特征解耦與遷移穩(wěn)健性
模塊間對抗更新：update_d與update模塊共享特征提取器，但目標相反，前者強化領(lǐng)域預測、抑制標簽預測，后者則反之。
雙損失對抗平衡：update_d與update模塊均采用雙損失函數(shù)，模塊內(nèi)部同時優(yōu)化正向與抑制目標，在任務沖突中尋求最優(yōu)解。
梯度反轉(zhuǎn)層機制：通過在反向傳播更新時反轉(zhuǎn)梯度符號，實現(xiàn)無需標簽監(jiān)督的高效信息屏蔽，迫使特征提取器學習與標簽或領(lǐng)域無關(guān)的特征，助力特征解耦。
與Factorvae-pro的對比：從靜態(tài)環(huán)境變量到動態(tài)領(lǐng)域建模
DFQ-Diversify與Factorvae-pro均基于不變學習思想，致力于在訓練過程中剝離隨環(huán)境變化而波動的非穩(wěn)態(tài)特征，提取與標簽高度因果相關(guān)的穩(wěn)定因子，實現(xiàn)“風格中性化”，以減少模型對市場風格的依賴。
Factorvae-pro依賴人工設定時間標簽作為環(huán)境變量，主觀性強、維度單一；Diversify引入自監(jiān)督學習，動態(tài)識別潛在領(lǐng)域，實現(xiàn)對時間與截面雙維擾動建模，提升靈活性與泛化能力。Factorvae-pro采用協(xié)同訓練策略，Diversify則基于對抗機制，通過任務博弈實現(xiàn)特征解耦，提升穩(wěn)定性和模型適應性。
多市場回測表現(xiàn)優(yōu)異，泛用性強
模型在中證全指、滬深300、中證500等多個股票池中均取得顯著績效，尤其在大盤股表現(xiàn)突出。2020-2025年間，中證全指池中IC達12.22%，rankIC達14.58%，多頭組合年化超額收益達32.52%。在2024年復雜行情中展現(xiàn)出更強穩(wěn)健性。
指數(shù)增強組合效果穩(wěn)健，風險受控
在滬深300與中證500增強策略中，模型分別實現(xiàn)信息比1.89和1.67，年化超額收益11.27%和12.19%。超額收益主要來源于特質(zhì)收益，占比超過50%。
風險提示
1.量化模型失效風險。
2.極端市場環(huán)境對模型的影響
|
|
