如何通过特征工程与模型架构调整解决深度学习因子风格暴露过高的问题？

造成传统多粒度深度学习因子风格暴露过高的主要原因有两点：首先，模型输入特征中包含了成交额、换手率等与市值、估值等风格因子天然高相关的变量；其次，所有特征在同一GRU网络中训练，模型倾向于赋予历史表现更优的特征（如小盘效应相关特征）过高权重，且缺乏对风格择时的显式约束，导致因子实质上变成了风格因子的非线性组合。

为解决此问题，研究人员构建了“多源深度学习因子”。其核心思路包括两方面：一是在特征层面，剔除成交额、换手率等高风格相关性特征，从源头切断与主流风格因子的强关联；二是在模型架构层面，将不同类别的特征（如K线、盘口、L2数据）分别输入独立的GRU子模型，仅在最终的FNN层进行聚合输出。这种结构保证了不同类型选股信息的权重不会被快速消亡，降低了单一风格主导的可能性。

在指数增强应用中，多源深度学习因子表现出显著的稳定性优势。以中证500增强为例，多输出多源因子在2020-2026年间实现了13.21%的年化超额收益，最大回撤仅6.06%，信息比达2.467，优于多粒度因子。尤其在2026年市场风格波动剧烈的背景下，多粒度因子在500增强中出现负超额，而多源因子仍能保持正超额，且各年份间表现差异较小。在中证1000增强中，多源因子同样展现了更高的夏普比率和更低的回撤波动。

关于叠加风格惩罚的效果，研究发现这并不能进一步提升表现，反而增加不稳定性。虽然强制正交使因子与风格因子相关性降至接近0，但这种硬性约束干扰了模型对有效Alpha信号的提取，导致组合在特定风格环境下的弹性丧失，分年度超额收益波动增大，整体风险调整后收益并未改善。这表明特征本身的纯净度和架构的合理性比事后的数学惩罚更为关键。