研究背景。近年来，深度学习模型在量化选股中的应用逐渐增多。相比传统线性因子模型，深度学习模型可以同时处理多维度输入变量，并通过非线性结构捕捉变量之间的复杂关系。从研究角度看，这为量价数据、基本面数据、分析师预期、文本信息等多源数据的联合建模提供了更灵活的工具。
　　不过，在实际研究中，一个值得重视的现象是：端到端训练得到的深度学习因子，往往并不完全是新的独立Alpha。许多模型在回测初期表现较好，但经过Barra风格归因后，会发现其因子暴露集中在低波动、小市值、短期反转、低流动性等方向。进一步对因子进行行业和风格中性化后，原本较高的RankIC或分组收益可能明显下降，甚至失去稳定性。
　　今年以来，市场阶段性切换高成长、高Beta、高动量风格，过去几年表现良好的传统深度学习因子普遍表现一般甚至出现方向反转，以中证500为代表的宽基指数在今年通过量化指增方式获取超额收益的难度明显增加。
　　在上述背景下，有必要探讨如何构建更稳定的深度学习因子。本文从理论出发，结合实际经验，构建了更稳定的深度学习因子StableAlpha。
　　实证分析。本文模型以沪深全市场为数据集，固定以2008~2019年为训练和验证数据，以2020年~2026年7月17日为样本外测试数据。
　　IC来看，2026年以来StableAlpha在沪深全市场、沪深300、中证500、中证1000、创业板的月度RankIC均值分别为11.2%、7.2%、6.1%、9.7%、10.8%，胜率分别为96.1%、69.5%、75.8%、90.6%、88.3%；2020年以来StableAlpha在沪深全市场、沪深300、中证500、中证1000、创业板的月度RankIC均值分别为12.2%、8.7%、7.2%、10.4%、15.6%，胜率分别为93.0%、71.5%、77.3%、87.8%、93.5%。
　　指数增强来看，2026年以来StableAlpha在中证全指、沪深300、中证500、中证1000、创业板的超额累计收益率为9.41%、3.65%、10.81%、8.91%、4.94%，最大回撤率分别为2.88%、1.24%、2.74%、2.42%、2.23%；2020年以来StableAlpha在中证全指、沪深300、中证500、中证1000、创业板的超额年化收益率为9.48%、5.48%、7.91%、12.00%、5.03%，最大回撤率分别为3.33%、4.27%、4.94%、4.12%、5.45%。
　　风险提示。本文所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时存在失效风险；本文策略在市场结构及交易行为改变时有可能存在失效风险；因量化模型不同，本文提出的观点可能与其他量化模型结论存在差异。