当前深度学习挖掘面临两项可优化点：其一，传统IC损失仅约束预测值的排序方向，对分布形态缺乏结构性要求，因子可能在高IC表象下隐藏尾部区分度不足与跨期不稳定的风险，最明显的表现就是多头挖掘能力不足；其二，深度Transformer网络在时序特征编码中缺少底层的表征层面约束，模型可以取巧地将全部有效信号压缩至序列末端，导致潜空间表征漂移与过拟合。针对以上，本文从最优传输理论与生成对抗学习两条主线出发优化因子挖掘框架。
　　全局分布对齐模型。全局分布对齐模型（GDA）将最优传输引入损失函数，用切片Wasserstein距离度量预测分布与真实收益分布的几何差异。自2019年1月至2026年5月，GDA模型因子IC均值0.1045，多头组合年化收益率为38.66%，相对于基线模型多头组合年化收益提升3pp。
　　非平衡最优传输模型。非平衡最优传输模型（UOA）通过KL松弛边缘约束与topk目标边缘增强，将传输代价从全区间均匀分配改造为向多头端倾斜的偏心分配，并引入条件状态感知模块基于截面波动自适应调节匹配强度。自2019年1月至2026年5月，UOA模型模型IC均值0.1117，多头组合年化收益率为40.50%，相对于GDA模型多头组合年化收益进一步提升近2pp。
　　双轨Sinkhorn网络。UOA的约束集中于输出层标量预测值。而双轨Sinkhorn网络（DTSN）在输出轨之外新增潜空间锚定轨，通过动态更新的潜特征记忆库将截面表征锚定于跨时间牛股参照系，迫使模型使用历史上稳定牛股模式编码股票。2019年1月至2026年5月，DTSN模型因子IC均值0.1137，多头组合年化收益率为42.19%，相对UOA模型提升近2pp，最大回撤降低1.3pp。
　　双轨对抗挖掘网络。DTSN的两轨度量均为固定数学公式，不随训练进化。双轨对抗挖掘网络（DTAN）用两个WGAN-GP判别器分别替代输出轨UOT和潜空间轨切片Wasserstein，使分布度量在对抗博弈中自适应进化。自2019年1月至2026年5月，DTAN模型因子IC均值0.1173，多头组合年化收益率为45.04%，相较于DTSN提升近3pp，最大回撤率降低近3pp。
　　因子分布形状拟合检验。全局分布对齐模型GDA在四项指标上全面领先，W1为0.090分布形状拟合效果优于其余模型。双轨对抗网络模型DTAN排名第2，W1为0.180优于UOA和DTSN，说明对抗学习的DO判别器比固定UOT偏心方案更全面地保留了分布形状信息。
　　指数增强测试。DTAN模型沪深300指数增强策略年化超额收益率13.36%，中证1000指数增强策略年化超额收益率24.22%，国证2000指数增强策略年化超额收益率31.75%。
　　风险提示：报告对应的相关结论完全基于公开的历史数据进行算法构建、统计以及计算，文中部分数据有一定滞后性，同时也存在第三方数据提供不准确或者缺失等风险；策略效果结论仅针对于回测区间得出，并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议。