> **来源：[研报客](https://pc.yanbaoke.cn)** # 深度学习因子周报总结（2026年06月13日） ## 核心内容 本报告对多个深度学习因子在不同宽基指数成分股中的表现进行了跟踪分析，并评估了基于这些因子构建的指数增强组合的收益情况。所有因子和组合在2026年以来均实现了正超额收益，但近期表现各有差异。 ## 主要观点 - **因子表现**：不同指数成分股中，各因子的表现差异较大，部分因子在近期表现较弱，但整体上在年内表现良好。 - **指数增强组合表现**：指数增强组合在近期表现不一，但整体上在年内表现积极。 - **模型说明**：报告基于多种深度学习模型构建因子，包括带图结构GRU模型、ABCM模型和StyleNet模型，这些模型在因子挖掘和 alpha 分离方面有各自的特点和优势。 - **风险提示**：模型基于历史数据，存在失效风险，且极端市场环境可能对模型效果造成冲击。 ## 关键信息 ### 1. 各因子表现 #### 中证全指 - **近一周**：score_v2 因子表现较好，超额收益为 0.35%；score_v3 因子其次，超额收益为 0.24%；score_v4style 因子表现相对较弱。 - **今年以来**：score_v3fast 因子表现最好，超额收益为 23.94%；score_v4style 因子其次，超额收益为 20.22%；所有因子均获得正超额。 #### 沪深300 - **近一周**：score_v4style 因子表现较好，超额收益为 0.82%。 - **今年以来**：score_v2 因子表现最好，超额收益为 29.21%；score_v3 因子其次，超额收益为 26.31%；所有因子均获得正超额。 #### 中证500 - **近一周**：score_v3 因子表现较好，超额收益为 1.37%。 - **今年以来**：score_v4 因子表现最好，超额收益为 22.69%；score_v3 因子其次，超额收益为 17.07%；所有因子均获得正超额。 #### 中证1000 - **近一周**：score_v0 因子表现较好，超额收益为 0.27%。 - **今年以来**：score_v0 因子表现最好，超额收益为 21.42%；score_v4 因子其次，超额收益为 19.63%；所有因子均获得正超额。 ### 2. 指数增强组合表现 - **近一周**：沪深300指增组合超额收益为 -0.32%，中证500指增组合为 0.68%，中证1000指增组合为 -1.54%。 - **今年以来**：沪深300指增组合超额收益为 7.26%，中证500指增组合为 12.31%，中证1000指增组合为 5.60%。中证500指增组合表现最好。 ### 3. 模型说明 - **带图结构 GRU 模型**：通过构建自适应 Attention 图结构来捕捉股票之间的交互关系，生成低相关的弱因子。 - **ABCM 模型**：分离 GRU 模型提取信息中的 alpha 和风险成分，其中 alpha 成分具有选股能力和对未来收益率的解释能力。 - **StyleNet 模型**：分离广义 alpha 成分中的个股特质性 alpha 和风格因子带来的 alpha。 ### 4. 风险提示 1. 量化模型基于历史数据分析，未来或存在失效风险，建议投资者紧密跟踪模型表现。 2. 极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 ## 总结 本报告展示了多个深度学习因子在不同指数成分股中的表现，以及基于这些因子的指数增强组合的收益情况。总体来看，各因子和组合在2026年以来均实现了正超额收益，但近期表现差异较大。模型基于历史数据构建，存在一定的风险，建议投资者在使用时注意跟踪和评估。