核心观点
- 经典线性因子模型（如APT、Fama–French）存在局限，依赖线性与平稳性假设，难以捕捉公司特征的异质性和市场状态的时变特性。
- 条件自编码器（CAE）模型通过允许因子载荷非线性地依赖于公司特有的滞后特征，推广了线性因子模型，提升了潜在因子收益的信噪比和样本外预测的稳定性。
- 引入不确定性感知因子选择方法，根据因子的样本外可预测性选择潜在投资组合，利用高维潜在表示的表达能力并控制估计风险。
研究方法
- 两阶段流程：首先使用CAE模型从公司特征和资产收益中提取潜在因子投资组合；其次利用多种模型对每个潜在因子的时间序列进行预测，并基于预测不确定性指导筛选具有可预测收益的投资组合。
- 考虑三种预测模型：基于样本的非参数基准IID-BS、监督回归树方法Q-Boost，以及零样本预训练的基础序列模型ZS-Chronos。
实证分析
- 采用美国市值最大的2000只股票的月度收益数据进行方法评估，时间跨度为1962年2月至2024年12月。
- 训练了六种CAE架构，每种对应不同的潜在因子数量，K∈{5, 10, 20, 30, 40, 50}，系统地考察模型的可扩展性及预测效能随潜在复杂度变化的情况。
- 将预测不确定性纳入潜在因子选择，能够在所有模型架构下显著提升投资组合表现，如图表6所示的风险-收益前沿。
- 自适应选择方法κ𝑡(𝑚)∗仅依赖决策时点t可获取的信息，采用时间正则化目标来自适应优化，优先考虑索提诺比率。
研究结论
- 基于预测不确定性有选择地使用潜在因子，能够在多种预测模型中持续提升风险调整收益，表现最佳的portfolios往往仅使用可用潜在因子的一个子集。
- 集成三种不同的预测方法（IID-BS、Q-Boost与ZS-Chronos）产生基本不相关的预测信号，集成策略显著优于单一模型，其中表现最好的集成策略实现了2.20的夏普比率、4.01的索提诺比率、5.95的欧米伽比率，最大回撤低于10%。
- 消融分析排除了与预训练ZS-Chronos模型相关的潜在数据泄漏担忧，证实其优异表现并非源自隐藏偏差，而是基于内部生成的合成潜在因子，保持了完全的数据独立性。
关键数据
- 自适应策略在2000年至2024年的整个样本外期间均表现出持续强劲的性能，累计收益均跑赢市场（SPY），即使在市场出现回撤的年份，几乎所有模型仍能产生正收益。
- 集成(A)实现了最高的夏普比率（2.20）与欧米伽比率（5.95），以及最低的年化波动率（6.52%）和最大回撤（9.22%）。
- 集成(B)则取得了最高的索提诺比率（4.22），同时保持负的贝塔值（对市场呈负相关）。
- 平均月度换手率约为2.0，表明模型每月大约会再平衡其一半的头寸。
