DFQ-diversify，解决分布外泛化问题的自监督领域识别与对抗解耦模型.docx

目录

一、研究背景 6

一、 模型原理 7

模型整体架构 7

领域学习器（update_d） 7

领域预测更新（set_label） 8

标签学习器（update） 8

模型关键点 9

自监督动态领域划分机制 9

三重对抗训练机制 11

Diversify和Factorvae-pro模型的联系 12

模型细节对比 13

Diversify模型VSgru基础模型 13

独立瓶颈层VS共享瓶颈层 13

双路径训练VS单路径训练 14

领域的可视化展示 14

二、 模型训练细节 18

数据说明 18

模型超参 18

随机种子影响 19

三、 模型结果 21

训练情况 21

因子整体绩效表现 21

因子分年绩效表现 26

因子多头组风险因子暴露 30

中性化因子表现 32

四、 指数增强组合结果 33

指数增强组合构建说明 33

沪深300指数增强组合 33

本证券研究报告有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读 最后一页的免责申明。中证500指数增强组合 35

本证券研究报告

有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读 最后一页的免责申明。

本证券研究报告有关分析师的申明，见本报告最后部分。其他重要信息披露

本证券研究报告

有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读 最后一页的免责申明。

六、总结 37

参考文献 37

风险提示 37

图表目录

图1：Diversify模型VSgru基础模型的绩效表现（2020.01.01-2024.12.31） 13

图2：Diversify模型中使用独立的bottleneck层VS使用共享的bottleneck层VS不使用

bottleneck层的绩效表现（2020.01.01-2024.12.31） 14

图3：Diversify模型双路径训练VS单路径训练的绩效表现（2020.01.01-2024.12.31） 14

图4：Diversify模型训练过程中领域标签分布的变化 15

图5：Diversify模型训练过程中update_d和update两个模块更新后的领域标签变化 15

图6：Diversify模型每只股票在训练集时间段内属于领域=1的概率 16

图7：Diversify模型每个时间点所有股票中属于领域=1的股票占比 16

图8：Diversify模型领域分布的面板变化情况 17

图9：DFQ-Diversify模型超参列表 18

图10：Diversify模型不同领域个数（latent_domain_num）下的绩效表现（2020.01.01-2024.12.31） 19

图11：Diversify模型不同batch选取方法（batchsize）下的绩效表现（2020.01.01-2024.12.31） 19

图12：Diversify模型遍历训练VS抽样训练的绩效表现（2020.01.01-2024.12.31） 19

图13：DFQ-Diversify模型不同随机种子下的绩效表现对比（2020.01.01-2024.12.31） 20

图14：DFQ-Diversify模型不同随机种子下得到的因子值相关系数（2020.01.01-202412.31）20

图15：DFQ-Diversify模型不同随机种子得到的多头超额收益相关系数（2020.01.01-2024.12.31） 20

图16：添加bottleneck的gru模型在不同随机种子下得到的因子值相关系数（2020.01.01-2024.12.31） 20

图17：未添加bottleneck的gru模型在不同随机种子下得到的因子值相关系数（2020.01.01-2024.12.31） 20

图18：DFQ-Diversify模型训练集中损失值变化 21

图19：DFQ-Diversify模型训练集、验证集、测试集IC变化 21

图20：中证全指股票池各模型因子绩效表现（2020.1.1-2025.3.24） 22

图21：中证全指股票池Diversify因子的IC时序变化（2020.1.1-2025.3.24） 22

图22：中证全指股票池Diversify因子分组超额收益净值分组年化超额收益（2020.1.1-2