【西南证券】双轨最优传输分布纠偏与对抗生成式因子挖掘模型-260615（48页）.pdf

1、 请务必阅读正文后的重要声明部分 2026 年年 06 月月 15 日日 证券研究报告证券研究报告金融工程金融工程专题专题报告报告 机器学习应用系列机器学习应用系列 双轨最优传输双轨最优传输分布纠偏分布纠偏与对抗与对抗生成式因子挖掘模型生成式因子挖掘模型 摘要摘要 西南证券研究西南证券研究院院 当前当前深度学习挖掘面临两项深度学习挖掘面临两项可优化点可优化点：其一，传统 IC 损失仅约束预测值的排序方向，对分布形态缺乏结构性要求，因子可能在高 IC 表象下隐藏尾部区分度不足与跨期不稳定的风险，最明显的表现就是多头挖掘能力不足；其二，深度 Transformer网络在时序特征编码中缺少底层的表征

2、层面约束，模型可以取巧地将全部有效信号压缩至序列末端，导致潜空间表征漂移与过拟合。针对以上，本文从最优传输理论与生成对抗学习两条主线出发优化因子挖掘框架。全局分布对齐模型。全局分布对齐模型。全局分布对齐模型（GDA）将最优传输引入损失函数，用切片 Wasserstein距离度量预测分布与真实收益分布的几何差异。自 2019年1 月至 2026年 5月，GDA模型因子 IC均值 0.1045，多头组合年化收益率为38.66%，相对于基线模型多头组合年化收益提升 3pp。非平衡最优传输模型。非平衡最优传输模型。非平衡最优传输模型（UOA）通过 KL松弛边缘约束与topk目标边缘增强，将传输代价从全

3、区间均匀分配改造为向多头端倾斜的偏心分配，并引入条件状态感知模块基于截面波动自适应调节匹配强度。自 2019年 1月至 2026年 5月，UOA模型模型 IC均值 0.1117，多头组合年化收益率为 40.50%，相对于 GDA模型多头组合年化收益进一步提升近 2pp。双轨双轨 Sinkhorn网络。网络。UOA的约束集中于输出层标量预测值。而双轨 Sinkhorn网络（DTSN）在输出轨之外新增潜空间锚定轨，通过动态更新的潜特征记忆库将截面表征锚定于跨时间牛股参照系，迫使模型使用历史上稳定牛股模式编码股票。2019 年 1月至 2026 年 5月，DTSN模型因子 IC均值 0.1137，多

4、头组合年化收益率为 42.19%，相对 UOA模型提升近 2pp，最大回撤降低 1.3pp。双轨对抗挖掘网络双轨对抗挖掘网络。DTSN的两轨度量均为固定数学公式，不随训练进化。双轨对抗挖掘网络（DTAN）用两个 WGAN-GP判别器分别替代输出轨 UOT和潜空间轨切片 Wasserstein，使分布度量在对抗博弈中自适应进化。自 2019年 1月至 2026年 5 月，DTAN 模型因子 IC均值 0.1173，多头组合年化收益率为 45.04%，相较于DTSN 提升近 3pp，最大回撤率降低近 3pp。因子分布形状拟合检验因子分布形状拟合检验。全局分布对齐模型 GDA在四项指标上全面领先，W

5、1为 0.090分布形状拟合效果优于其余模型。双轨对抗网络模型 DTAN排名第 2，W1为 0.180优于 UOA和 DTSN，说明对抗学习的 DO判别器比固定 UOT偏心方案更全面地保留了分布形状信息。指数增强指数增强测试测试。DT AN模型沪深 300指数增强策略年化超额收益率 13.36%，中证 1000指数增强策略年化超额收益率 24.22%，国证 2000指数增强策略年化超额收益率 31.75%。风险提示：风险提示：报告对应的相关结论完全基于公开的历史数据进行算法构建、统计以及计算，文中部分数据有一定滞后性，同时也存在第三方数据提供不准确或者缺失等风险；策略效果结论仅针对于回测区间得

6、出，并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议。分析师：郑琳琳 执业证号：S1250522110001 邮箱： 分析师：祝晨宇 执业证号：S1250525100004 邮箱： 相关研究相关研究 1.T2RL：端到端深度强化学习因子挖掘与组合优化框架 (2026-04-01)2.从眼到手：OpenClaw 如何改变投资研究模式 (2026-03-22)3.基于 BLACK-LITTERMAN模型融合资产择时与风格轮动的资产配置研究 (2026-02-26)4.多重周期嵌套下关注多主线与风格轮动再平衡2026年度资产与基金组合配置策略 (2026-01-09)5