在前序报告《基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一》中，我们采用sigmoid与Neural Sort两种可微排序方法实现了RankIC的可微分改造，并直接将其作为损失函数用于模型优化，此外，为优化既有模型，我们构建了一个双分支残差学习网络架构，使模型在优化可微RankIC的过程中，始终能以已知有效的线性组合为基座进行增量学习，初步验证了直接优化排序质量在量化选股中的可行性。
　　本期报告作为该篇研究的延续，我们对可微RankIC损失函数做了两个方向的改进：
　　第一，引入分域加权机制。前序研究中，模型优化目标基于全市场样本等权计算可微RankIC，由于小微盘股票在数量上占优，模型倾向于学习多数类特征，导致alpha呈现小盘偏好。为此，我们将损失函数改造为分域加权形式，按中证800内、中证1000内及其他小微盘三域分别计算可微RankIC并加权求和，权重设计显式对齐指数增强产品的组合优化约束，使得因子在训练阶段即内嵌了组合层面的约束偏好，进而提高了指数增强产品表现。
　　第二，引入时序平滑正则。常规的损失函数往往以截面拟合精度为直接优化对象，未将交易成本纳入考量。当高换手alpha带来的边际提升更大时，模型将倾向于拟合这类信号，然而实际落地中换手成本会显著侵蚀其净收益。为此，我们将换手率惩罚作为正则项引入损失函数，在降低组合换手率的同时引导模型注意力从反转型alpha转向动量型alpha，提升了指数增强产品表现以及因子在基准指数内的解释度。
　　此外，在模型结构层面，我们借鉴HipreNets的渐进式训练范式，对前序研究的残差网络进行了重构：摒弃一次性用大型网络拟合全部目标的训练策略，改为逐阶段训练小型子网络，每个子网络仅拟合前一阶段输出的残差，最终通过各阶段输出的累加得到预测结果。
　　综合来看，训练实证表明，分域加权与时序平滑正则两项改造均切实提升了模型在指数成份内的表现，但实现路径各不相同：前者通过域内权重约束将模型注意力从小微盘拉回指数内部，后者通过压低换手并引导模型聚焦动量型alpha。两项改造相互独立，均可单独作用于损失函数并带来策略净表现的改善，为可微RankIC损失函数的落地应用提供了多元化的改进方向。
　　风险提示：
　　本报告基于历史数据分析，历史规律未来可能存在失效的风险；市场可能发生超预期变化；各驱动因子受环境影响可能存在阶段性失效的风险。