机器学习Alpha因子的有效性存在明显的状态依赖。同一套深度学习选股模型在不同市场环境下的截面预测能力差异较大。为了事前刻画这种差异，本文从行业成交额集中度、行业正收益贡献的头部集中度、个股收益截面离散度三个维度出发，构建了一个日频的市场状态指标——难做指数。该指标只使用当日及历史数据，可以实时跟踪。
　　难做指数对因子有效性具有稳定的区分能力。2020年初至2026年6月底，难做指数与AGRU基准因子未来5日IC的秩相关系数为-24.66%，与未来5日多头超额收益、多空收益的秩相关系数分别为-15.36%和-20.41%，均优于任一单项指标。按难做指数十分组，最好做一组的平均IC为13.87%，最难做一组降至6.08%；平均未来5日多空收益从2.03%下降至0.69%，单调性良好。
　　按市场状态划分样本训练模型。我们以训练与验证期（截至2019年末）难做指数的中位数作为固定阈值，将交易日划分为“难做”与“好做”两类，并分别用两类样本训练两套AGRU模型。样本外（2020年2月至2026年8月）难做状态模型IC均值10.93%、ICIR为0.96、多头年化超额收益率9.38%、多头超额最大回撤仅-6.55%；好做状态模型IC均值10.66%、多头年化超额收益率9.96%。两套模型的多头超额收益时序相关性仅为48.00%，说明状态划分确实使模型学到了差异化的信息。
　　状态模型合成后效果进一步提升。将两套状态模型的因子值分别做截面标准化后等权合成，IC均值提升至11.32%，ICIR为0.96，IC胜率84.62%，多头年化超额收益率10.38%，多头信息比率1.85，多空年化收益率41.18%，多空夏普比率3.07，这几项指标均高于任一单一状态模型。整体来看，按市场状态划分样本再训练并合成的方式具备一定的增益效果。
　　风险提示：本文所述算法与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。基于模型得到的相关结论并不能完全准确地刻画现实环境以及预测未来。本文策略通过一定的假设与历史数据回测得到，当交易成本提高、市场结构及交易行为改变时有可能存在失效风险，可能导致策略收益下降或出现亏损。