量化专题报告：深度学习如何自适应市场状态以提升模型稳健性？

传统Transformer模型在选股中表现尚可，但对市场极端环境适应性差，主要问题在于依赖高度的风格暴露，且因子收益与市场走势呈负相关。本报告提出三种改进方法：

1. MASTER Transformer模型：通过纳入市场信息进行自动特征选择，提升模型选股能力。MASTER模型因子RankIC为10.3%，年化多头超额收益26.0%，在沪深300、中证500和中证1000指数增强策略中分别取得年化超额收益15.9%、16.5%和22.4%。
2. 深度学习风险模型：利用深度学习风险模型进一步刻画市场状态，输出更有解释力度的风险因子，提升模型对市场风格的把握。深度风险因子对收益回归的解释度提升5%。
3. 模型训练流程及损失函数优化：采用加权MSE损失函数放大多头端误差，并使用元增量学习框架进行在线更新，使模型快速适应市场变化。最终模型因子RankIC为10.7%，年化ICIR为6.0，年化多头超额收益34%，在沪深300、中证500和中证1000指数增强策略中分别取得年化超额收益21.1%、24.1%和29.3%。

改进后的模型在保持较高收益的同时，提升了策略的稳定性和收益弹性，有效解决了深度学习模型无法根据市场信息动态调整的问题。