研究结论
　　DFQ-Diversify模型有效解决分布外泛化问题
　　本文提出全新模型DFQ-Diversify，通过引入自监督领域识别与对抗训练机制，实现标签预测任务与领域识别任务的显式解耦。该模型无需人工预设环境变量，能够自主识别潜在领域信息，进而提取出对外部扰动不敏感、跨领域稳定的预测特征，增强模型的分布外泛化能力。
　　模型创新性地引入“领域-标签”解耦框架
　　模型训练流程包含三个核心模块：update_d、set_dlabel和update，通过对抗训练机制同时完成领域识别与标签预测任务，实现两者的显式解耦。
　　自监督动态领域划分机制提升灵活性与泛化适应能力
　　领域是对数据分布的动态划分，用以识别影响预测任务的潜在环境因素。有效的领域划分应帮助模型隔离非目标信息，强化对标签驱动因素的建模能力。
　　 Diversify模型实现无监督聚类式领域更新，克服了传统模型依赖预设环境变量的缺陷，使模型能在不同时间和截面维度上自适应发现领域结构。
　　三重对抗训练机制增强特征解耦与迁移稳健性
　　模块间对抗更新：update_d与update模块共享特征提取器，但目标相反，前者强化领域预测、抑制标签预测，后者则反之。
　　双损失对抗平衡：update_d与update模块均采用双损失函数，模块内部同时优化正向与抑制目标，在任务冲突中寻求最优解。
　　梯度反转层机制：通过在反向传播更新时反转梯度符号，实现无需标签监督的高效信息屏蔽，迫使特征提取器学习与标签或领域无关的特征，助力特征解耦。
　　与Factorvae-pro的对比：从静态环境变量到动态领域建模
　　DFQ-Diversify与Factorvae-pro均基于不变学习思想，致力于在训练过程中剥离随环境变化而波动的非稳态特征，提取与标签高度因果相关的稳定因子，实现“风格中性化”，以减少模型对市场风格的依赖。
　　 Factorvae-pro依赖人工设定时间标签作为环境变量，主观性强、维度单一；Diversify引入自监督学习，动态识别潜在领域，实现对时间与截面双维扰动建模，提升灵活性与泛化能力。Factorvae-pro采用协同训练策略，Diversify则基于对抗机制，通过任务博弈实现特征解耦，提升稳定性和模型适应性。
　　多市场回测表现优异，泛用性强
　　模型在中证全指、沪深300、中证500等多个股票池中均取得显著绩效，尤其在大盘股表现突出。2020-2025年间，中证全指池中IC达12.22%，rankIC达14.58%，多头组合年化超额收益达32.52%。在2024年复杂行情中展现出更强稳健性。
　　指数增强组合效果稳健，风险受控
　　在沪深300与中证500增强策略中，模型分别实现信息比1.89和1.67，年化超额收益11.27%和12.19%。超额收益主要来源于特质收益，占比超过50%。
　　风险提示
　　1.量化模型失效风险。
　　2.极端市场环境对模型的影响