来源：市场资讯

（来源：华泰证券研究所）

本研究为前期报告《PortfolioNet：神经网络求解组合优化》的改进篇。本研究将风格模型引入网络，并通过关键架构BephaFormer，整合Alpha模型的时序特征与风格模型的结构化信息，让AI量价因子追求较高收益弹性，捕捉Pure Alpha之外的风格收益。随后，为避免模型在学习到典型风格后陷入局部最优解，我们保留前期研究推荐的LinSAT算法，借助这一可微组合优化层进行收益提纯，并构造单独的损失函数，确保模型不会忽视对Pure Alpha的学习。实证表明，在回测区间2023-01-03至2025-11-28内，合成因子相比于经典AI量价模型取得明显提升，在300增强、500增强与1000增强场景下，年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率同步改善。

人工智能98：PortfolioNet助力兼取风格收益与Pure Alpha

本研究为前期报告《PortfolioNet：神经网络求解组合优化》的改进篇。相较于此前AI组合优化的首次尝试，本研究将风格模型引入网络，通过对组合约束项赋予可微性能，让AI量价因子追求较高收益弹性，捕捉Pure Alpha之外的风格收益。模型同时构建了Alpha预测模块和风格预测模块，通过将风格输出作为风险约束条件，输入LinSAT进行可微组合优化。然而，LinSAT的约束端本身或不支持可微梯度传播。为此，我们额外提出了BephaFormer，整合Alpha模型的时序特征与风格模型的结构化信息，通过注意力交互与多任务输出，得到增强Alpha信号与可微的风格因子约束。实证表明，在回测区间2023-01-03至2025-11-28内，合成因子相比于经典AI量价模型取得明显提升，在300增强、500增强与1000增强场景下，年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率同步改善。

背景：AI量价风格收益或同样关键，但难以与Pure Alpha两全其美

既往AI量价策略多侧重于Pure Alpha信号预测。近年来，让神经网络学习Pure Alpha之外的风格收益，发挥对风格切换的学习能力，适应各类市场状态，成为AI量价领域的新尝试。然而，由于风格收益对模型训练的“吸引力”较强，模型在学习到几种典型风格后，可能陷入局部最优解，进而导致Pure Alpha选股收益的预测被忽视。本研究将在同一个端到端网络里实现风格因子的挖掘及其对Alpha信号的交互增强；同时借助于PortfolioNet对Pure Alpha的提纯能力，力争实现风格收益与Pure Alpha的“两全其美”。

整体构造：BephaFormer赋能风格增强，LinSAT提取Pure Alpha

本研究将AI风格模型引入网络，赋能Alpha信号市场状态增强，并同时构建动态调整的组合约束项，以期训练出效果更佳的Alpha因子。首先，我们使用常规GRU等网络结构来实现Alpha与风格因子的训练预测。随后，为实现时序Alpha特征与风格因子之间的信息融合与梯度传播，我们设计了BephaFormer作为本研究的核心组件。其核心理念借鉴了多头交叉注意力、视觉Transformer的Vit特征工程思路与多任务输出框架，实现Alpha模型与风格因子信号的互补增强。最后，我们引入前期研究推荐的LinSAT算法，进行收益提纯并构造单独的损失函数，确保模型不会忽视对Pure Alpha的学习。不过，与前期报告一致的是，本研究的最终目的仍是训练出良好的Alpha因子，网络生成的风格因子与LinSAT组合权重仅作为损失函数引导梯度下降的辅助项，并未直接应用于组合回测。

策略可提升指增表现，300增强年化超额收益16.2%

将PortfolioNet 2.0因子与此前发布的“LLM舆情分诊台”因子等权合成，发现合成因子相比于传统AI量价模型取得明显提升。在回测区间2023-01-03至2025-11-28内，相较于经典Alpha模型，在300增强、500增强与1000增强场景下，模型年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率同步提升。在此基础上放宽风格约束后，模型提升进一步扩大至11.3pct、11.7pct与13.9pct。基于PortfolioNet 2.0构建的北证优选策略同样表现优异，获得41.3%的年化超额收益率，信息比率达2.95。

正 文

01 导读

近期的几轮急涨急跌单边行情，给选股Alpha策略带来了不同程度的回撤挑战。在风格切换阶段，学习正确的风格或与控制风格同样重要。本文聚焦于让AI量价模型“学习正确的风格”，与此同时提纯Pure Alpha选股收益，力争实现“刚柔并济”的兼取。

本研究的核心设计思路是将AI风格模型引入网络，并让AI风格因子赋能Alpha信号的学习。BephaFormer是该网络的核心部件，一方面可帮助Alpha模型学习风格信息，另一方面可输出可微的组合优化项并传入LinSAT；LinSAT扮演了Pure Alpha组合提纯的角色，进而构成了PortfolioNet的升级版应用场景。进一步，该网络可同时输出风格剥离的Pure Alpha、风格增强的Total Alpha、可赋能风险约束的AI Beta，配合多任务损失函数，实现三者的最优解。

将训练出的PortfolioNet 2.0因子与此前报告的“舆情分诊台”因子等权合成，发现相比于经典Alpha模型在三类指数增强场景取得明显提升，在300增强、500增强与1000增强场景下，年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率同步提升；放宽风格约束后效果进一步增强，模型提升幅度扩大至11.3pct、11.7pct与13.9pct。

下面介绍本文的两个研究背景：1）为何让AI量价学习Pure Alpha之外的风格收益，2）如何解决风格收益训练中的痛点。

背景一： Pure Alpha策略仍有回撤，拥抱风格收益或是另一选择

近期的几轮急涨急跌单边行情，给选股Alpha策略带来了不同程度的回撤挑战。直觉上，更纯粹的Pure Alpha策略可以在极端行情中抵挡回撤。但理想化的Pure Alpha策略需要建立在严格的假设基础之上——既需要能完整刻画市场风险的风险因子；又需要完善的风格剥离措施。

对部分AI策略收益归因发现，在采取措施进行风格剥离、尽可能提取Pure Alpha部分后，仍无法完美抵挡近年来几次关键的超额回撤，且风格提纯的部分措施还会导致其他时段Alpha的衰减。

具体来说，本文将风格收益贡献占比低于50%、且符合风格中性构建理念的因子，近似定义为Pure Alpha因子。图表1、图表2所示两个因子分别为以残差收益率为学习目标的经典GRU因子，以及通过LinSAT控制风格偏离的经典PortfolioNet因子。经归因统计残差选股贡献，二者均满足前述Pure Alpha定义。

收益归因结果显示，图示因子的绝大部分超额确由选股收益贡献，风格收益斜率极其平缓，满足Pure Alpha的设想。然而遇到极端行情时，风格收益由零转负，选股收益由正转零，造成策略整体回撤。在组合优化环节如过多增加控制风格的种类，可能产生类似结论。可见，Pure Alpha策略在特殊行情下仍然会经历一定回撤。且虽然回撤幅度小幅降低，但可能牺牲了其他时段的一些Alpha，风险控制性价比并未达到最优。

完善Pure Alpha因子的核心在于风险模型的改进，笔者曾尝试分域聚类、遗传规划等多种措施挖掘风险因子，但实验效果均不尽人意。以遗传规划风险因子为例，挖掘出的因子有效提升了R-Square，但加入组合优化器后，同样未能有效改善回撤，也牺牲了一部分Alpha。

综上，学习正确的风格或与控制风格同样重要。近年来，部分AI量价前沿研究也开始适度允许因子捕捉 Pure Alpha 之外的风格收益。

背景二： Beta-Alpha或难两全，制约AI量价能力上限

让神经网络发挥对风格切换的学习能力，适应各类风格状态，成为近年来AI量价领域的新尝试。这类因子追求较高的收益弹性，以求对Alpha信号的极致挖掘。

然而实践中，由于风格收益在训练过程中对AI量价信号有强烈的吸引力，模型在学习到几种典型风格后，可能陷入局部最优解，进而导致“重Beta”AI量价模型忽视掉了对Pure Alpha选股收益的训练。二者的顾此难彼，制约了模型能力上限。本文尝试构建相关基线模型，利用风格信息赋能Alpha信号训练，称之为Bepha。该策略的收益归因结果印证了前述结论，可见Bepha模型的风格收益大幅提升，但选股收益训练受到影响，最终总收益提升不明显。

PortfolioNet 2.0研究将以上述背景为出发点，一方面使用风格信息赋能Alpha信号学习，另一方面通过LinSAT收益提纯保证Pure Alpha收益表现，通过多任务损失函数，引导模型达到目标间的帕累托最优。

02 方法

以“兼取风格收益与Pure Alpha”为出发点，本文构建了PortfolioNet 2.0网络结构，同时优化“风格剥离的Pure Alpha”、“风格增强的Total Alpha”、“可赋能风险约束的AI Beta”，配合多任务损失函数，实现三者的最优解。

网络结构

模型首先构建了原始Alpha模块与风格预测模块。随后，将两项原始信号传入创新模块BephaFormer：该模块一方面可打通风格约束矩阵的反向传播链条，另一方面可将Alpha信号赋予市场风格增强信息。最后，我们引入前期研究推荐的LinSAT算法，将风格增强后的Alpha信号作为目标函数，风险输出作为组合约束，借助这一可微组合优化层进行Pure Alpha收益提纯，并构造单独的损失函数，确保模型不会忽视对Pure Alpha的学习。

Alpha、风格模块：遵循常规思路

在模型起始端，我们分别构建了两个模块学习原始Alpha和原始风格信息。输入端，我们引入高开低收等量价指标及自行复现的CNE5风格因子；网络设计上，Alpha、风格模块的设计均沿用GRU等思路。对于每个预测截面，Alpha模块将输出一个α维Alpha信号矩阵，风格模块将输出一个β维风格因子矩阵。输入端和输出端的参数细节详见实验章节的图表10。

LinSAT收益提纯模块：约束矩阵或不可微

LinSAT是前期报告曾采用的一项求解快、调用灵活的神经网络可微优化层，通过附加上层网络训练得到的AI风险约束，或可实现Pure Alpha的精准提纯。然而这一算法的初衷是找到目标向量的可微投影，理论推演时或仅考虑了目标向量本身的可微性，可能并未考虑约束矩阵的可微性。

本文最初的设想是，将网络内生的风格模型直接作为约束项传入LinSAT。然而实际测试发现，训练过程的“LogBackward0”阶段可能会出现几类数值错误（梯度不传播、形成nan梯度等），导致理想化的端到端场景无法落地。另一种思路是通过.detach函数断开风格模块与LinSAT之间的反向传播，仅保留前向传播。这类操作避免了数值错误，但风格模块失去了Pure Alpha模块的所有梯度回传，本质上模型割裂成了两个网络，两条数据链条“各自为战”，背离了端到端的原始设想。

BephaFormer：打通收益预测模块与风险模块

为实现LinSAT约束矩阵的梯度回传，本文构建了核心部件BephaFormer，其得名于Alpha与Beta两个单词的合拼。该模块一方面可帮助Alpha模型学习风格信息，另一方面可通过“巧径通幽”，打通风格模块与LinSAT之间的反向传播链条。

BephaFormer网络的基座思想为多头交叉注意力机制。Alpha模块接收了单一量价输入，故作为Query矩阵；风格模块同时接收了量价与风格特征作为输入，故同时作为Key与Value矩阵。不过，构建Key与Value矩阵时我们发现，由于风格模块的原始输出为(n,t,β)（β=10为人为给定的风格因子输出数量），如果简单地将不同风格作为不同tokens，t维度作为embedding嵌入表征，会带来时序维度的信息干扰，造成模型过拟合。因此，接下来我们将对Key和Value的构建方式进行微调。

具体来说，我们借鉴了Li（2021）等人在Tokens-to-token vit: Training vision transformers from scratch on imagenet中提出的Tokens分块思想，将图像识别任务划分成若干个小型分块，分别输入后续网络结构。在团队前期研究《如何捕捉长时间序列量价数据的规律》（2024-03-14）中，报告曾利用前述思想，巧妙地将长序列时序特征切割为若干个patch分块，并取得了显著提升。在本文中，考虑到模块的侧重点是选取合适的风格特征应用于Alpha增强，因此我们将tokens分块应用于特征维度而非时序维度，并取得了明显提升。Tokens分块的技术细节主要通过Projection投影与维度变换Reshape实现，维度变换细节详见图表8。

在BephaFormer模块的最后，我们使用多任务输出思路，通过两个线性层，同时输出风格增强以后的Alpha信号，以及Alpha调整后的AI风格信号。在后续损失函数（Loss）构建中，BephaFormer的两项输出，可直接对应两项Loss；进一步，将两者分别作为目标函数和风险约束输入LinSAT，即可得到严格控制风格暴露的Pure Alpha，并作为第三项Loss。

输出与损失函数

模型的三项输出Total Alpha、Pure Alpha、AI Beta分别对应三项损失函数，三目标暂做等权相加。

Loss = Total Alpha Loss + Pure Alpha Loss + 风格识别程度Loss

1）Total Alpha Loss：使用BephaFormer输出的AI量价因子计算“-截面IC”，也就是风格增强后的Total Alpha的-IC。

2）Pure Alpha Loss：参照PortfolioNet 1.0，将LinSAT模块的输出w与真实收益率y取内积，得到模拟组合的真实收益，并取相反数作为风格严格提纯后的Pure Alpha损失。

3）风格识别程度Loss：将BephaFormer输出的10项风格因子对真实收益y做多元线性回归，取残差项作为风格识别程度损失，本质上可认为是最大化风险模型的R-Square。

不过，与前期报告一致的是，本研究的最终目的仍是训练出良好的Total Alpha因子，网络生成的风格因子与LinSAT Pure Alpha组合权重仅作为损失函数引导梯度下降的辅助项，并未直接应用于组合回测。

03 实验

我们设计了较为丰富的对比实验，通过多种网络结构、多种约束条件，交叉验证PortfolioNet 2.0策略的有效性。

对比实验设计

网络结构对比

共对比五类网络结构，以验证LinSAT + BephaFormer策略的效果提升。

实验一：经典Alpha模型。基准模型，仅Alpha能力，无风险模块。

实验二：Pure Alpha模型，相当于完整网络去掉BephaFormer。Alpha因子不接受风格因子的任何增强，并直接传入LinSAT，附加严格的风格约束后，训练的是相对纯粹的Pure Alpha。

实验三：Bepha模型，相当于完整网络去掉LinSAT。通过BephaFormer模块对Alpha因子实现风格增强，但由于未接入LinSAT进行Pure Alpha提纯，可能导致风格收益提升、选股收益下降。

实验四：PortfolioNet 2.0模型，本研究的完整架构。融合实验二实验三各模块，实现Pure Alpha、风格Alpha增强与风格识别程度三者的最优解。

实验五：PortfolioNet 2.0+LLM等权合成（推荐）。在PortfolioNet 2.0因子的基础上，融合前期报告相对低相关的“LLM-GRU舆情分诊台”因子，等权合成。

风格约束对比

为展现PortfolioNet策略在训练风格收益方面的优势，我们尝试将风格行业敞口放宽，构造放宽约束的实验一与实验五，对比二者在放宽约束后的提升幅度差异。

参数设定

实验结果

总体来看，本研究一定程度上解决了AI量价模型Beta-Alpha难以两全的难题，有效提升了AI量价模型的能力上限。

单因子表现

PortfolioNet 2.0模型因子改善体现在多头端与空头端，对冲组合年化收益提升显著。RankIC指标有明显改善。

指数增强组合表现

将PortfolioNet 2.0因子与前期研究中基于经典Alpha构建的“舆情分诊台”因子等权合成，合成因子在300、500、1000中均有较为明显的提升；在此基础上放宽风格约束后，模型表现大幅提升，显著优于其余模型。

1）整体年化超额收益提升明显，相较经典Alpha因子，300、500、1000增强分别提升7.5pct、7.5pct与8.5pct。

2）基于经典CNE-5模型回归得到因子收益率并进行收益归因，发现策略风格收益大幅提升，而选股收益相比经典模型基本没有衰减，因而总收益大幅提升。

3）放宽风格约束，相较经典Alpha因子，300、500、1000增强的超额提升幅度进一步扩大至11.3pct、11.7pct与13.9pct。

4）今年以来表现优异，放宽风格约束后，300、500、1000增强超额收益分别为16.4%、17.7%、21.0%。

基于五组实验、两种约束分别构建的沪深300指增策略净值与绩效如下：

300增强超额提升显著，相较于经典Alpha模型，实验五合成因子年化超额收益提升7.5pct；放宽风格约束后，超额收益提升幅度进一步扩大至11.3pct。

基于五组实验、两种约束分别构建的中证500指增策略净值与绩效如下：

500指增中，实验五合成因子同样取得提升，相较于经典Alpha模型，年化超额收益提升7.5pct，放宽风格约束后年化超额收益提升扩大至11.7pct。

基于五组实验、两种约束分别构建的中证1000指增策略净值与绩效如下：

模型在中证1000指增组合有明显提升， 实验五合成因子在放宽约束前后，相较传统Alpha模型，年化超额收益分别提升8.5pct、13.9pct。

基于PortfolioNet 2.0构建的北证优选策略净值与绩效如下：

北证优选策略年化超额收益41.3%，超额最大回撤10.3%，信息比率2.95。

最后，本文的PortfolioNet因子与经典Alpha因子的长期相关性为0.75，和“LLM舆情分诊台”因子的长期相关性为0.72。

指增风格归因

以1000增强组合为例，开展收益归因，发现放宽约束前，Beta、Book to Price、Liquidity三项风格收益增幅居前，行业配置收益无显著提升。放宽约束后，Liquidity因子贡献主要增量，Book to Price、Growth、Earning Yield等基本面风格收益亦有提升。

风格轮动组合

将个股信号按成分股权重聚合到国证成长/国证价值指数，得分较高的指数100%满仓，进一步印证模型的风格收益捕捉能力。

可见模型的风格轮动能力相比经典Alpha有明显提升，不过，基于量价模型构建的风格轮动策略，需与基本面指标结合，方能发挥更大优势。

04 总结

本研究为前期报告《PortfolioNet：神经网络求解组合优化》的改进篇，核心设计思路是将AI风格模型引入网络，并让AI风格因子赋能Alpha信号的学习。模型的可微优化部分继续使用LinSAT算法，但其在传入风格组合优化项后，更多地扮演了信号提纯的角色，使得AI量价模型在“学习正确风格”的同时，同时提纯Pure Alpha选股收益，实现“刚柔并济”的兼取。

网络设计上，BephaFormer是该网络的核心部件，一方面可帮助Alpha模型学习风格信息；另一方面可输出可微的组合优化项。借助PortfolioNet的可微优化思想，该网络可同时输出风格剥离的Pure Alpha、风格增强的Total Alpha、可赋能风险约束的AI Beta，配合多任务损失函数，实现三者的最优解。

实验结果上，PortfolioNet 2.0+LLM合成因子相比于经典Alpha模型在三类指数增强场景取得明显提升，放宽风格约束后效果进一步增强。在回测区间2023-01-03至2025-11-28内，相较于传统GRU，在300增强、500增强与1000增强场景下，模型年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率同步提升；放宽风格约束后模型提升进一步扩大至11.3pct、11.7pct与13.9pct。其中，风格收益提升显著，选股收益仍能与经典Alpha模型保持相近。基于PortfolioNet 2.0构建的北证优选策略同样表现优异，获得41.3%的年化超额收益率，信息比率达2.95。

本模型使用的基于R-Square的AI风险模型赋能了Alpha的学习，但尚未解决风格切换期间的收益回撤现象。未来，权益仓位择时、风险平价、风险敞口的定量干预等其他方法，或将在此方向发挥更大作用。

参考文献

Lin H, Zhou D, Liu W, et al. Deep risk model: a deep learning solution for mining latent risk factors to improve covariance matrix estimation[C]//Proceedings of the Second ACM International Conference on AI in Finance. 2021: 1-8.

Yuan L, Chen Y, Wang T, et al. Tokens-to-token vit: Training vision transformers from scratch on imagenet[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 558-567.

人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。神经网络存在一定的过拟合风险。本文回测假定以vwap价格成交，涨跌停时不可交易，未考虑其他影响交易因素。

研报：《PortfolioNet 2.0：如何兼取风格收益与Pure Alpha》2025年12月16日

研究员：何 康S0570520080004 | BRB318

研究员：徐 特S0570523050005

联系人：孙浩然S0570124070018