本篇是学海拾珠系列第二百六十四篇，文章提出了一种面向资产定价的高维条件自编码器（CAE）可扩展框架，通过不确定性感知因子选择缓解潜在维度升高带来的性能下降。
　　经典线性因子模型的局限
　　经典线性因子模型（如APT、Fama–French）假设收益由少量固定因子驱动，依赖线性与平稳性假设，难以捕捉公司特征的异质性和市场状态的时变特性，也无法有效刻画动态、非线性或时变依赖关系。
　　两阶段潜在因子建模与不确定性感知筛选方法
　　先用CAE从公司特征与资产收益中提取潜在因子；再用IID-BS、Q-Boost、ZS-Chronos对各因子预测，基于分位数预测的平均绝对偏差量化不确定性并筛选可预测因子，构建切点投资组合后映射为资产权重。三模型分别提供无模型基准、捕捉局部非线性、零样本深度序列预测，形成多样信号支持稳健组合构建。
　　预测不确定性筛选因子提升CAE组合表现
　　实证表明，基于预测不确定性筛选因子可提升多模型风险调整收益，最优组合常仅用部分因子。集成IID-BS、Q-Boost与ZS-Chronos三类低相关模型，策略表现突出（夏普比率2.20、最大回撤<10%）。理论支撑与消融分析验证方法有效性，表明不确定性驱动维度控制是扩展CAE关键，为高维因子框架的偏差–方差权衡提供原则性方案。
　　文献来源
　　核心内容摘选自Ryan Engel, Yu Chen, Pawel Polak, Ioana Boier于2025年11月25日在Quantitative Finance上的文章《ScalingConditional Autoencoders for Portfolio Optimization via UncertaintyAwareFactor Selection》。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。