研报提出了一种创新的机器学习资产定价模型，通过双神经网络架构突破传统线性因子模型的局限性。该模型将资产特征非线性映射为动态风险暴露（Beta），同时从市场数据中自动提取潜在风险因子（5个主因子+市场因子），两者联合优化以解释跨资产收益。相比传统方法（如Fama-French），这种框架无需预设因子，既可捕获复杂特征交互，又能通过集成训练（30次模型中位数）提升稳定性。基于此构建的四大策略表现显著：风险溢价策略（年化超额5.6%）、均值回归策略（捕捉定价误差反转）、因子动量（动态追踪12月强势因子）及多因子组合（Sharpe达1.7），均通过流动性优化和系统性风险对冲实现可投资性，在危机期间（如2020年3月）展现差异化互补优势，标志着因子投资进入非线性机器学习时代。