量化投資因子選股系列專題報告：DFQ_diversify，解決分布外泛化問題的自監督領域識別與對抗解耦模型.pdf

量化投資因子選股系列專題報告：DFQ_diversify，解決分布外泛化問題的自監督領域識別與對抗解耦模型。

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，通過引入自監督領域識別與對抗訓練機制，實現 標簽預測任務與領域識別任務的顯式解耦。該模型無需人工預設環境變量，能夠自 主識別潛在領域信息，進而提取出對外部擾動不敏感、跨領域穩定的預測特征，增 強模型的分布外泛化能力。

模型創新性地引入“領域-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 機制同時完成領域識別與標簽預測任務，實現兩者的顯式解耦。

自監督動態領域劃分機制提升靈活性與泛化適應能力

領域是對數據分布的動態劃分，用以識別影響預測任務的潛在環境因素。有效的領 域劃分應幫助模型隔離非目標信息，強化對標簽驅動因素的建模能力。

Diversify 模型實現無監督聚類式領域更新，克服了傳統模型依賴預設環境變量的缺 陷，使模型能在不同時間和截面維度上自適應發現領域結構。

三重對抗訓練機制增強特征解耦與遷移穩健性

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，模塊內部同時優化正 向與抑制目標，在任務沖突中尋求最優解。

梯度反轉層機制：通過在反向傳播更新時反轉梯度符號，實現無需標簽監督的高效 信息屏蔽，迫使特征提取器學習與標簽或領域無關的特征，助力特征解耦。

與 Factorvae-pro 的對比：從靜態環境變量到動態領域建模

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 環境變化而波動的非穩態特征，提取與標簽高度因果相關的穩定因子，實現“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境變量，主觀性強、維度單一； Diversify 引入自監督學習，動態識別潛在領域，實現對時間與截面雙維擾動建模， 提升靈活性與泛化能力。Factorvae-pro 采用協同訓練策略，Diversify 則基于對抗機 制，通過任務博弈實現特征解耦，提升穩定性和模型適應性。

多市場回測表現優異，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 年復雜行情中展現出更強穩健性。

指數增強組合效果穩健，風險受控

在滬深 300 與中證 500 增強策略中，模型分別實現信息比 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收益，占比超過 50%。