摘要
　　当前深度学习因子挖掘模型表现的提升部分取决于输入特征，主要体现为输入特征及其以何种形式进入模型，而这决定了模型能学习到的信息边界。本文从特征升维角度进行两种不同方式的优化：其一，频率域升维，以分数阶差分将单条序列展开为多档记忆谱，将特征历史记忆长度如何决定这一问题变为可学习选项；其二，空间域升维，以Takens延迟嵌入将序列重新展开为相空间轨迹，恢复被扁平化丢失的几何结构。本文从分数阶微积分与动力系统理论两条主线出发，构建先序列分数阶差分平稳，再捕捉几何结构的联合升维选股框架。
　　分数阶差分记忆谱网络：FDS模型以GL分数阶差分在五档候选阶数上构建记忆谱，将“该记住多少历史”从建模假设变为显式选项，经高斯核d注意力为每个特征配置可学习的记忆旋钮，融合输出与基线输入逐元素同构。经回测FDS因子10日IC均值0.1128，多头组合年化收益率为37.95%，相对万得全A等权指数年化超额收益率22.51%，相对基线模型提升4pp。
　　相空间延迟嵌入网络：FSDE模型以Takens延迟嵌入将三维特征升维为四维相空间轨迹，以共享动力编码器沿延迟坐标维读形、经GRU时间聚合后与时序路径合并，恢复被扁平化丢失的几何结构。自2019年1月至2026年8月，FSDE因子IC均值0.1132，多头组合年化收益率40.96%，相对万得全A等权指数年化超额收益率24.79%，多头组合年化收益相对FDS模型提升3pp，多头最大回撤较FDS降低接近9pp。
　　递归注意力偏置网络：RAB模型将几何路径相空间距离矩阵以λ·D注入时序路径注意力得分，使状态相似的历史时刻获得联系。自2019年1月至2026年8月，RAB因子IC均值0.1152，多头组合年化收益率40.51%，最大回撤29.90%较FSDE降低1pp，多头组合回撤表现较前代模型进一步提升。
　　Lyapunov谱系状态门控网络：LSG模型继承Lyapunov分析的相空间近邻框架，定义相对稀有度表示为门控状态，若当前状态突破自身历史形态时放大几何路径特征发言权。经回测LSG因子IC均值0.1167，多头组合年化收益率42.02%，相对万得全A等权指数年化超额收益率25.76%，多头组合年化收益相对RAB模型提升1.5pp，多空组合年化收益率102.68%显著优于前代所有模型，但最大回撤有所增大。
　　指数增强测试：基于LSG模型构建指数增强策略，自2019年1月至2026年8月，沪深300指数增强策略年化超额收益率15.11%，中证1000指数增强策略年化超额收益率24.58%，中证500指数增强策略年化超额收益率17.32%。
　　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