报告摘要：
　　降低模型的风险暴露获取长期更优更稳定的超额收益。目前的研究主要有两类，一类允许模型具有风险暴露，并依赖模型对风格的轮动和择时获取绝对收益；另一类旨在将Alpha与Beta解耦，即尽可能降低模型的风险暴露，追求更低的回撤以及更稳定的超额收益。后者的实现过程一般依赖中性化，但目前的实现方式存在着三个缺陷：线性回归中性化未考虑风险因子间的非线性交互信息；未考虑股票间的关联关系带来的风险；因子值层面的中性化导致最终的信号与模型的训练目标不一致。
　　多模型融合能够提供信息增益。单一的模型可能存在着一定的随机性，而不同结构的模型、不同的训练方式与设定具有不同的侧重点，多模型集成过程一方面将噪声部分相抵消，另一方面能够综合各模型的优势。传统的训练方式中，验证集的选择一般为近期，但样本外数据分布并不一定与验证集分布相似，例如在事件冲击或剧烈的风格切换后，选择近期验证集上最优的模型可能面临着样本外泛化性不足的风险。K折交叉验证能够在一定程度上缓解数据分布漂移问题，集成多个验证集上最优的模型能够让结果更加稳健。
　　Mamba-MoE在高效提取时间序列特征的同时，将线性与非线性的风险约束纳入训练过程，并通过交叉验证与多模型集成的方式提升稳健性。Mamba相比于Transformer具有更低的计算复杂度，相比于RNN类模型其训练过程支持并行，能够快速有效地进行特征提取。另外，模型训练过程引入了对风险因子的约束，从而避免在组合优化中因限制风格偏离而对信号产生的影响；同时也考虑了非线性风险因子，包含风险因子间的非线性交互信息以及股票间行业层面与交易层面的关联信息。最后通过交叉验证与专家混合模型进行多模型集成，提升泛化性。
　　Mamba-MoE生成因子稳定性更好。风险约束的加入降低了因子的风险暴露，在因子层面进行风险线性中性化后，因子表现衰减较弱。非线性风险约束的加入对因子的多空稳定性有进一步的提升。多标签多验证集得到的因子具有明显的差异性，融合后效果更佳。Mamba-MoE因子周度Rank IC：13.22%，ICIR：1.28，十分组周频调仓多头年化收益：33.01%，多空Sharpe ratio：9.25。从历史平均的风险相关性来看具有一定程度的低波动与低流动性暴露，另外对价值与盈利也有着一定的偏向，但整体控制在较低水平，对市值的相关性不明显。
　　指数增强策略表现优异。在控制整体换手的约束下，2018年至2025年4月周频调仓的沪深300增强组合年化超额收益率9.02%，跟踪误差4.26%；中证500增强组合年化超额收益率11.63%，跟踪误差4.92%；中证1000增强组合年化超额收益率17.74%，跟踪误差5.52%。在严格控制风险暴露和跟踪误差的同时，取得稳定优异的表现。
　　风险提示：以上分析基于模型结果和历史测算，存在模型失效风险。