量化投资因子选股系列专题报告：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.pdf

量化投资因子选股系列专题报告：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。

DFQ-Diversify 模型有效解决分布外泛化问题

本文提出全新模型 DFQ-Diversify，通过引入自监督领域识别与对抗训练机制，实现 标签预测任务与领域识别任务的显式解耦。该模型无需人工预设环境变量，能够自 主识别潜在领域信息，进而提取出对外部扰动不敏感、跨领域稳定的预测特征，增 强模型的分布外泛化能力。

模型创新性地引入“领域-标签”解耦框架

模型训练流程包含三个核心模块：update_d、set_dlabel 和 update，通过对抗训练 机制同时完成领域识别与标签预测任务，实现两者的显式解耦。

自监督动态领域划分机制提升灵活性与泛化适应能力

领域是对数据分布的动态划分，用以识别影响预测任务的潜在环境因素。有效的领 域划分应帮助模型隔离非目标信息，强化对标签驱动因素的建模能力。

Diversify 模型实现无监督聚类式领域更新，克服了传统模型依赖预设环境变量的缺 陷，使模型能在不同时间和截面维度上自适应发现领域结构。

三重对抗训练机制增强特征解耦与迁移稳健性

模块间对抗更新：update_d 与 update 模块共享特征提取器，但目标相反，前者强化 领域预测、抑制标签预测，后者则反之。

双损失对抗平衡：update_d 与 update 模块均采用双损失函数，模块内部同时优化正 向与抑制目标，在任务冲突中寻求最优解。

梯度反转层机制：通过在反向传播更新时反转梯度符号，实现无需标签监督的高效 信息屏蔽，迫使特征提取器学习与标签或领域无关的特征，助力特征解耦。

与 Factorvae-pro 的对比：从静态环境变量到动态领域建模

DFQ-Diversify 与 Factorvae-pro 均基于不变学习思想，致力于在训练过程中剥离随 环境变化而波动的非稳态特征，提取与标签高度因果相关的稳定因子，实现“风格 中性化”，以减少模型对市场风格的依赖。

Factorvae-pro 依赖人工设定时间标签作为环境变量，主观性强、维度单一； Diversify 引入自监督学习，动态识别潜在领域，实现对时间与截面双维扰动建模， 提升灵活性与泛化能力。Factorvae-pro 采用协同训练策略，Diversify 则基于对抗机 制，通过任务博弈实现特征解耦，提升稳定性和模型适应性。

多市场回测表现优异，泛用性强

模型在中证全指、沪深 300、中证 500 等多个股票池中均取得显著绩效，尤其在大 盘股表现突出。2020-2025 年间，中证全指池中 IC 达 12.22%，rankIC 达 14.58%， 多头组合年化超额收益达 32.52%。在 2024 年复杂行情中展现出更强稳健性。

指数增强组合效果稳健，风险受控

在沪深 300 与中证 500 增强策略中，模型分别实现信息比 1.89 和 1.67，年化超额收 益 11.27%和 12.19%。超额收益主要来源于特质收益，占比超过 50%。