自适应动态因子加权模型
　　为了克服市场状态市场风格发生突变时，短周期加权模型很有可能学习到错误的规律从而造成巨大的回撤，我们设计了一套端到端因子生成和因子加权模型。该模型通过学习市场上长期历史数据既捕捉alpha信息，又根据市场状态和个股属性信息学习alpha因子的时变规律来对alpha因子进行加权，该模型框架由两部分组成：
　　因子生成阶段：通过ABCM模型生成一系列风险因子和alpha因子。
　　因子加权阶段：将上阶段产生的因子作为输入，通过一个状态门控机制学习alpha因子的权重函数，最后得到个股的因子得分。
　　各模型因子对比
　　根据输入的不同和加权方式的不同，我们提出了五个模型并进行对比，得到以下结论：
　　 Model2有较好选股表现，说明风险因子和未来收益率是否同向有可预测性。且Model2因子年化多头超额收益显著好于Model3（使用所生成alpha因子进行门控网络长周期加权），说明对所谓的风险因子进行轮动可以使得多头有着极端的高收益。而分年度来看Model2和Model3多头超额的差异十分巨大，2023年Model2因子轮动比重大因而表现更加占优。而2024年由于市场状态发生巨大切换，历史数据学习到的轮动信息产生偏差，因此Model2因子回撤较大，相比之下Model3因子稳定性更强。
　　Model3因子在小市值、非线性市值、低波动率、低估值这四个风格上相关性显著高于其他几个模型，具体原因可能是Model3因子根据长期A股市场数据学习得到的alpha因子，而A股市场长期小市值、低波、低估值是显著具有alpha收益的，因此该因子在这几个风格上会出现持续稳定的暴露。
　　各个模型均可用于行业轮动策略，其中Model2因子虽然选股RankIC显著低于Model3，但行业RankIC大幅跑赢Model3，这说明所学习到的alpha信息里面很大比重来源于行业轮动。另外2018年以来Model5（基准模型与Model2、3进行叠加）因子表现最佳，行业RankIC和ICIR分别可达12.45%和0.42，年化超额可达28.44%。
　　因子在各宽基指数上表现
　　Model4（基准模型与Model2进行叠加）和Model5因子2018年以来在中证全指、沪深300、中证500、中证1000四个指数上十日RankIC均值分别为16.34%、11.31%、12.07%、15.07%和16.56%、11.58%、12.21%、15.26%，top组年化超额分别为54.03%、30.24%、27.09%、40.61%和52.69%、32.07%、26.75%、41.23%。相较于基准Model1各宽基指数上Model4和Model5选股效果均有明显提升。
　　本文生成因子也可以直接应用于指数增强策略，在各宽基指数上均能获得显著的超额收益，在成分股不低于80%限制、周单边换手率约束为20%约束下，在沪深300、中证500和中证1000增强策略上2018年以来Model4因子表现最好，年化超额收益率分别为16.82%、22.56%和32.13%；2024年以来，Model5因子表现最好，年化超额收益分别为9.42%、6.80%和11.32%。
　　风险提示
　　量化模型失效
　　极端市场造成冲击，导致亏损