机器学习行业市场前景及投资研究报告：Mamba-MoE，风险中性化，多模型融合.pdf

[Table_Info1][Table_Date]

证券研究报告发布时间：2025-05-29

[Table_Title][Table_Invest]

证券研究报告/金融工程研究报告

Mamba-MoE：风险中性化与多模型融合

机器学习系列之九

报告摘要：

中证1000增强超额净值

[Table_Summary]

降低模型的风险暴露获取长期更优更稳定的超额收益。目前的研究主要

有两类，一类允许模型具有风险暴露，并依赖模型对风格的轮动和择时

获取绝对收益；另一类旨在将Alpha与Beta解耦，即尽可能降低模型的

风险暴露，追求更低的回撤以及更稳定的超额收益。后者的实现过程一

般依赖中性化，但目前的实现方式存在着三个缺陷：线性回归中性化未

考虑风险因子间的非线性交互信息；未考虑股票间的关联关系带来的风

险；因子值层面的中性化导致最终的信号与模型的训练目标不一致。

[Table_Report]

多模型融合能够提供信息增益。单一的模型可能存在着一定的随机性，相关报告

而不同结构的模型、不同的训练方式与设定具有不同的侧重点，多模型《公募偏股基金业绩基准分析、启发与增强》

集成过程一方面将噪声部分相抵消，另一方面能够综合各模型的优势。-

传统的训练方式中，验证集的选择一般为近期，但样本外数据分布并不《上月规模、流动性和Beta因子表现较优》

一定与验证集分布相似，例如在事件冲击或剧烈的风格切换后，选择近

-

期验证集上最优的模型可能面临着样本外泛化性不足的风险。K折交叉

验证能够在一定程度上缓解数据分布漂移问题，集成多个验证集上最优《债基回报收窄，久期与杠杆下调》

的模型能够让结果更加稳健。-

《资产组合的整体尾部风险度量模型》

Mamba-MoE在高效提取时间序列特征的同时，将线性与非线性的风险-

约束纳入训练过程，并通过交叉验证与多模型集成的方式提升稳健性。《上月反转、波动率和技术因子表现较优》

Mamba相比于Transformer具有更低的计算复杂度，相比于RNN类模型

-

其训练过程支持并行，能够快速有效地进行特征提取。另外，模型训练

过程引入了对风险因子的约束，从而避免在组合优化中因限制风格偏离

而对信号产生的影响；同时也考虑了非线性风险因子，包含风险因子间[Table_Author]

的非线性交互信息以及股票间行业层面与交易层面的关联信息。最后通

过交叉验证与专家混合模型进行多模型集成，提升泛化性。

Mamba-MoE生成因子稳定性更好。风险约束的加入降低了因子的风险

暴露，在因子层面进行风险线性中性化后，因子表现衰减较弱。非线性

风险约束的加入对因子的多空稳定性有进一步的提升。多标签多验证集

得到的因子具有明显的差异性，融合后效果更佳。Mamba-MoE因子周度

RankIC：13.22%，ICIR：1.28，十分组周频调仓多头年化收益：33.01%，

多空Sharperatio：9.25。从历史平均的风险相关性来看具有一定程度的

低波动与低流动性暴露，另外对价值与盈利也有着一定的偏