本篇是“学海拾珠”系列第二百零四篇，文章提出了一个基于连续状态的动态因子模型RSAP-DFM，该模型自适应地提取连续的宏观经济信息，并通过双重状态转换对股票收益的进行动态显式映射，引入遵循对抗学习思想的后验因子有效地纠正了先前因子映射的偏差。
　　基于连续状态的动态因子模型RSAP-DFM
　　RSAP-DFM框架能够自适应地提取连续的宏观经济信息，并通过双重状态转换对股票收益的进行动态显式映射，对抗性后验因子有效地纠正了先前因子映射的偏差。RSAP-DFM框架包括特征提取器、基于多头注意力的因子编码器、双重动态因子模型、自适应因子后验模块。特征提取器用于股票隐态和宏观模式嵌入，并提出了一个双编码器来处理双重状态转换特征；基于多头注意力机制的先验因子编码器，以编码具有状态转换跳跃的因子；用于股票预测的双重动态因子模型结合神经网络来协调α、β和因子；引入遵循对抗学习思想的自适应因子后验模块，以进一步纠正先前因子映射的偏差。此外，模型还集成了一个创新的两阶段优化算法和正态分布采样，进一步增强了模型的鲁棒性。
　　RSAP-DFM预测性能更优
　　文章使用中国A股市场数据来测试RSAP-DFM模型的性能，研究结果显示显式的宏观经济信息映射方法增强了我们模型的可解释性。模型在实际股票市场中的显示出了预测能力：该模型在股票预测方面优于当前最先进的模型；消融实验表明双层优化能提升模型的性能；双重状态转换架构有助于提高预测性能；引入对抗学习的后验因子优于之前的方法；多空策略的表现明显优于基线模型。
　　文献来源
　　核心内容摘选自Quanzhou Xiang , Zhan Chen , Qi Sun，RujunJiang于2024年7月26日在International Joint Conference on ArtificialIntelligence上的文章《RSAP-DFM: Regime-Shifting Adaptive PosteriorDynamic Factor Model forStock Returns Prediction》
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议