传统风险模型在市场冲击下解释度降低，深度风险模型（Deep RiskModel）可以改善这一问题。传统风险模型（如Barra模型）在市场冲击下解释度下降，难以捕捉市场中的非线性关系。通过构建基于图注意力网络（GAT）和门控循环单元（GRU）的深度风险模型，日度收益回归解释度较传统模型提升4%至33%，2024年9月等市场波动时期提升尤为显著。
　　深度风险模型用于组合优化对深度学习因子与基本面因子均有提升。对于深度学习alpha因子Meta_Master，深度风险模型相较传统风险模型在沪深300指数增强组合信息比率持平，中证500，中证1000指数增强组合信息比率提升0.2左右。对于基本面价值因子AEG，深度风险模型在沪深300指数增强组合信息比率持平，中证500指数增强组合信息比率提升0.6，中证1000指数增强组合信息比率提升0.8，效果明显。
　　强化风险模型（Reinforcement Risk Model）可进一步提升解释度以及组合优化表现。引入强化学习PPO算法动态优化风险因子生成，解决深度风险模型因重新训练导致的因子含义不一致等问题，解释度进一步提升至35.3%，与深度学习alpha因子相关性有所降低，同时因子在时序上更加稳定，适合实际应用与生产。在组合优化中，Meta_Master强化学习沪深300指数增强组合年化超额收益9.2%，信息比率1.89，较深度风险模型提升0.2左右；中证500指数增强组合年化超额收益11.7%信息比率2.73，较深度风险模型提升0.2左右；中证1000指数增强组合年化超额收益13.4%，信息比率2.58，较深度风险模型下降0.2左右。
　　 LinSAT网络支持在深度神经网络中进行组合优化，端到端输出组合持仓，收益弹性显著提升。在组合优化中，端到端的LinSAT网络直接输出满足约束的持仓权重，我们利用Meta_Master模型中最后一层的Encoder与LinSAT网络进行拼接，模型输出为每只股票的持仓权重，并在LinSAT网络中加入行业，市值，及深度风格暴露约束以及个股权重约束（考虑成分股），并在沪深300、中证500、中证1000指数成分股中分别训练，最终3个指数增强策略年化超额收益分别达到13.0%、16.6%、17.1%，信息比率最高达3.27，收益弹性提升，跟踪误差略微放大，信息比率显著提升，显著优于之前所有方法。
　　强化学习进行多目标学习同时输出风险因子与组合持仓，效果一般。强化学习同样可以将alpha信号与风险因子共同纳入考量，构建投资组合。我们延用PPO算法，重新定义CMDP问题。在输入端加入Meta_Master模型Encoder的输出部分，通过双头网络输出当日的股票持仓与风险因子，在奖励函数中加入收益奖励部分，并约束风险因子与组合持仓的稳定性以及风格暴露等因素，直接取持仓动作作为交易信号，超额收益与信息比率均有下降，效果不理想。
　　风险提示：量化模型基于历史数据，市场未来可能发生变化，策略模型有失效可能。