20260220-华福证券-金融工程专题_剔除低预期的GRU弹性赛道优选_35页_12mb

> **来源：[研报客](https://pc.yanbaoke.cn)** # 剔除低预期的GRU弹性赛道优选 证券分析师： 熊颖瑜 执业证书编号：S0210524100007 李杨 执业证书编号：S0210524100005 □本报告构建了一套多信号融合的行业轮动策略，旨在通过深度学习因子、分析师预期因子与基本面因子的分层叠加，提升对申万二级行业的优选能力。。 □ 首先，我们构建了基于行业与市场双分支GRU模型的深度学习因子。该模型通过分别刻画行业自身特征与市场状态特征，输出行业相对强弱分数，并在周度换仓下实现行业轮动。回测显示，以周三为换仓日的策略表现最优，年化收益达 $14.47\%$ ，超额收益 $11.94\%$ ，信息比率1.92，且在不同随机种子下具备稳健性。相比LightGBM及无市场分支的GRU模型，该因子在超额收益和IC稳定性上均有显著提升。 □其次，我们系统化构建了分析师预期因子。通过对一致预期数据进行同比增长率转化、多窗口平滑及IC检验，筛选出具有分层能力的预期类因子。分组回测显示，分析师预期因子具备一定的方向性，低预期组（第一至第三组）收益持续较弱，具备负向剔除的价值。但单因子策略收益集中在少数阶段，稳健性不足，更适合作为辅助信号使用。 在此基础上，我们构建了剔除低分析师预期后的双因子融合模型。在剔除分析师预期较低的行业后，深度学习因子的分组单调性进一步增强，Top5组年化收益提升至 $19.60\%$ ，超额收益 $16.96\%$ ，较单因子显著增强。交叉分组分析显示，深度学习高分组的行业在分析师预期上也多分布于高分组，二者在头部区域具有一定协同性。 □最后，我们引入基本面因子构建三信号融合模型。基本面因子涵盖盈利能力、成长性、现金流与估值等维度，IC均值为正且覆盖交易日充足。即便基本面因子单独表现并不突出，但其与深度学习因子的低相关性提供了显著的边际信息增益。三因子融合后，Top5组年化收益进一步提升至23.44%，超额收益20.71%，较双因子提升3.85%。2025年样本外绝对收益达62.81%，策略在趋势跟踪与反转识别之间取得良好平衡。 □风险提示：本报告所有分析均基于公开信息，不构成任何投资建议；若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；过往业绩不代表未来表现；历史规律总结仅供参考，或不会完全重演。 # 目 录 摘要及策略逻辑 行业和市场双分支GRU的行业轮动模型 分析师预期因子在赛道优选的分层特征 剔除分析师预期的双因子轮动模型 结合基本面且剔除分析师预期的三信号轮动模型 风险提示 # 摘要及策略逻辑 从单因子构建到双因子融合，再到三信号叠加。 # 01 深度学习因子申万二级轮动 双分支 GRU 行业分支 + 市场分支 目标：IC + MSC # 02 分析师预期因子构造与筛选 因子池约180个IC分布+单调性筛出10因子组合 # 03 二因子融合深度学习 $\times$ 预期 交叉分组验证TopN优选净值与超额提升 # 04 三因子融合加权基本面 深度学习 $\times$ 基本面 基本面IC分布 三因子最终框架 # 模块一：深度学习因子 模型结构、输入特征、IC序列与分组回测，申万二级轮动表现 # 模块二：分析师预期因子 构造口径、IC分布、单调性检验、TopN与组合回测结果 # 模块三：双因子融合 深度学习与预期交叉分组，阈值优选与双因子净值提升 # 模块四：三信号融合 叠加基本面因子，加权框架与三因子最终净值 单因子Top收益≠是否值得叠加关键在于是否提供新增信息 ② 深度学习与基本面来源不同Alpha源可能提供正交信息 (3) 深度学习先筛选高质量行业候选 (4)基本面在候选集中修正极端误判信号降低尾部风险 ⑤ 低相关性叠加提升夏普与稳定性 (6) 协同效应非线性简单线性加权无法完全解释 □风险提示：本报告所有分析均基于公开信息，不构成任何投资建议；若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；过往业绩不代表未来表现；历史规律总结仅供参考，或不会完全重演。 # >申万二级行业 □ 因2021年以前，已成立的申万二级行业只有67个（下方两张图），故模型训练不包含，2021年之后成立的申万二级行业。 证券代码 证券简称 发布日期 801053.SI 贵金属(申万) 2014-02-21 801054.SI 小金属(申万) 2014-02-21 801055.SI 工业金属(申万) 2014-02-21 801076.SI 轨交设备 II (申万) 2014-02-21 801203.SI 一般零售(申万) 2014-02-21 801204.SI 专业连锁II (申万) 2014-02-21 801711.SI 水泥(申万) 2014-02-21 801712.SI 玻璃玻纤(申万) 2014-02-21 801713.SI 装修建材(申万) 2014-02-21 801721.SI 房屋建设II (申万) 2014-02-21 801722.SI 装修装饰II (申万) 2014-02-21 801723.SI 基础建设(申万) 2014-02-21 801724.SI 专业工程(申万) 2014-02-21 801731.SI 电机II (申万) 2014-02-21 801733.SI 其他电源设备II (申万) 2014-02-21 801741.SI 航天装备II (申万) 2014-02-21 801742.SI 航空装备II (申万) 2014-02-21 801743.SI 地面兵装II (申万) 2014-02-21 801744.SI 航海装备II (申万) 2014-02-21 801881.SI 摩托车及其他(申万) 2014-02-21 801012.SI 农产品加工(申万) 2003-10-16 801014.SI 饲料(申万) 2003-10-16 801015.SI 渔业(申万) 2003-10-16 801016.SI 种植业(申万) 2003-10-16 801017.SI 养殖业(申万) 2003-10-16 801018.SI 动物保健II (申万) 2003-10-16 801032.SI 化学纤维(申万) 2003-10-16 801033.SI 化学原料(申万) 2003-10-16 801034.SI 化学制品(申万) 2003-10-16 801036.SI 塑料(申万) 2003-10-16 801037.SI 橡胶(申万) 2003-10-16 801051.SI 金属新材料(申万) 2003-10-16 发布日期为2021年之后，不加入训练 证券代码 证券简称 发布日期 801074.SI 专用设备(申万) 2003-10-16 801081.SI 半导体(申万) 2003-10-16 801082.SI 其他电子 II (申万) 2003-10-16 801083.SI 元件(申万) 2003-10-16 801084.SI 光学光电子(申万) 2003-10-16 801085.SI 消费电子(申万) 2003-10-16 801092.SI 汽车服务(申万) 2003-10-16 801093.SI 汽车零部件(申万) 2003-10-16 801101.SI 计算机设备(申万) 2003-10-16 801102.SI 通信设备(申万) 2003-10-16 801111.SI 白色家电(申万) 2003-10-16 801112.SI 黑色家电(申万) 2003-10-16 801124.SI 食品加工(申万) 2003-10-16 801131.SI 纺织制造(申万) 2003-10-16 801132.SI 服装家纺(申万) 2003-10-16 801141.SI 包装印刷(申万) 2003-10-16 801142.SI 家居用品(申万) 2003-10-16 801143.SI 造纸(申万) 2003-10-16 801151.SI 化学制药(申万) 2003-10-16 801152.SI 生物制品(申万) 2003-10-16 801153.SI 医疗器械(申万) 2003-10-16 801154.SI 医药商业(申万) 2003-10-16 801155.SI 中药 II (申万) 2003-10-16 801156.SI 医疗服务(申万) 2003-10-16 801161.SI 电力(申万) 2003-10-16 801163.SI 燃气 II (申万) 2003-10-16 801178.SI 物流(申万) 2003-10-16 801181.SI 房地产开发(申万) 2003-10-16 801191.SI 多元金融(申万) 2003-10-16 801193.SI 证券 II (申万) 2003-10-16 801194.SI 保险 II (申万) 2003-10-16 801202.SI 贸易 II (申万) 2003-10-16 801223.SI 通信服务(申万) 2003-10-16 801231.SI 综合 II (申万) 2003-10-16 证券代码 证券简称 801038.SI 农化制品(申万) 801039.SI 非金属材料 II (申万) 801043.SI 冶钢原料(申万) 801044.SI 普钢(申万) 801045.SI 特钢Ⅱ(申万) 801056.SI 能源金属(申万) 801077.SI 工程机械(申万) 801078.SI 自动化设备(申万) 801086.SI 电子化学品Ⅱ(申万) 801095.SI 乘用车(申万) 801096.SI 商用车(申万) 801103.SI IT服务Ⅱ(申万) 801104.SI 软件开发(申万) 801113.SI 小家电(申万) 801114.SI 厨卫电器(申万) 801115.SI 照明设备Ⅱ(申万) 801116.SI 家电零部件Ⅱ(申万) 801125.SI 白酒Ⅱ(申万) 801126.SI 非白酒(申万) 801127.SI 饮料乳品(申万) 801128.SI 休闲食品(申万) 801129.SI 调味发酵品Ⅱ(申万) 801133.SI 饰品(申万) 801145.SI 文娱用品(申万) 801179.SI 铁路公路(申万) 801183.SI 房地产服务(申万) 801206.SI 互联网电商(申万) 801218.SI 专业服务(申万) 801219.SI 酒店餐饮(申万) 801726.SI 工程咨询服务Ⅱ(申万) 801735.SI 光伏设备(申万) 801736.SI 风电设备(申万) 801737.SI 电池(申万) 801738.SI 电网设备(申万) 801745.SI 军工电子Ⅱ(申万) 801764.SI 游戏Ⅱ(申万) 801765.SI 广告营销(申万) 801766.SI 影视院线(申万) 801767.SI 数字媒体(申万) 801769.SI 出版(申万) 801782.SI 国有大型银行Ⅱ(申万) 801783.SI 股份制银行Ⅱ(申万) 801784.SI 城商行Ⅱ(申万) 801785.SI 农商行Ⅱ(申万) 801951.SI 煤炭开采(申万) 801952.SI 焦炭Ⅱ(申万) 801962.SI 油服工程(申万) 801963.SI 炼化及贸易(申万) 801971.SI 环境治理(申万) 801972.SI 环保设备Ⅱ(申万) 801981.SI 个护用品(申万) 801982.SI 化妆品(申万) 801991.SI 航空机场(申万) 801992.SI 航运港口(申万) 801993.SI 旅游及景区(申万) 801994.SI 教育(申万) 发布日期 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-9-28 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-8-27 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-6-25 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-7-24 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-5-24 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2021-12-13 2009-12-13 2009-12-13 2009-12-13 2009-12-13 2009-12-13 2009-12-13 2009-12-13 2009-12-13 # 目 录 摘要及策略逻辑 行业和市场双分支GRU的行业轮动模型 分析师预期因子在赛道优选的分层特征 剔除分析师预期的双因子轮动模型 结合基本面且剔除分析师预期的三信号轮动模型 风险提示 # 行业和市场双分支GRU的行业轮动模型 01 输入层，批量时序特征输入 02 GRU层，两层结构提取时序表征 03 取最后时间步，将序列压缩为向量 04 LayerNorm，稳定训练并减小分布漂移 05 回归器，线性映射与正则化控制过拟合 06 输出层，得到每个样本的预测分数 # 行业和市场双分支GRU建模 # 模型架构及特征重要性 □ 采用双分支时序建模框架，分别刻画行业自身特征与市场状态特征，再进行融合输出行业强弱分数predicted，用于行业截面排序选取Top6。 □ 将行业表征与市场表征进行拼接或注意力融合，得到最终表征通过线性层输出predicted分数，表示该行业在当前日期下的相对强弱预期输出在同一日期内用于行业截面排序，构建多头组合。所选的行业特征和市场特征均展现出较高的重要性，说明特征的解释力较强。 参数 配置 作用 任务频率 周度换仓，周频输出行业得分 与行业轮动的决策节奏一致，降低日度噪声 预测目标 未来5个交易日行业收益的横截面排序标签 学习行业相对强弱，而非点预测收益值 行业分支网络 GRU 编码器 提取行业特征序列的时序表示，捕捉趋势与拐点 市场分支网络 GRU 编码器 提取市场状态序列的时序表示，提供环境约束与修正 GRU 隐状态维度 64或128 控制模型表达能力与过拟合风险的平衡 GRU 层数 2层 1层更稳健，2层增强非线性时序表征能力 Dropout 0.1 抑制过拟合，提高跨阶段稳定性 输出层 全连接层输出行业得分 score 将融合表征映射为可排序的行业强弱信号 标准化方式 行业特征按横截面或历史窗口标准化，市场特征做滚动百分位标准化 消除量纲差异，使不同阶段与不同行业可比 训练样本组织 按日期成批，同日包含全行业 强化横截面学习，避免单行业时间序列主导 学习率 1e-3起步，配合衰减 保证收敛速度与稳定性 优化器 Adam 适用于非凸深度网络，训练稳定 早停策略 验证集IC或rank指标不提升则停止 防止过拟合，提高样本外表现稳定性 输出后处理 行业得分横截面标准化或rank化 便于分组回测与组合构建，提升可解释性 因子 因子中文名称 重要性 所属分支 SMA_20_Diff_Log 20日简单均线对数差分 9620.71 行业分支 OBV 能量潮指标 9207.5 行业分支 mkt_turn_std60 60日换手率波动率 9151.9 市场分支 mkt_adx20 20日平均趋向指数 8962.51 市场分支 mkt_high_day_ratio_20 20日创新高天数占比 8737.43 市场分支 Volume 成交量 6538.34 行业分支 mkt_pcra.ma5 5日均值期权Put/Call比率 6094.04 市场分支 mkt_opt_iv 期权隐含波动率 5326.4 市场分支 mkt_zt_ratio.ma5 5日均值涨停占比 4942.28 市场分支 SMA_10_Diff_Log 10日简单均线对数差分 4908.44 行业分支 RSI_20 20日相对强弱指标 4331.19 行业分支 mkt_price.bias_20 20日价格乖离率 3900.34 市场分支 SMA_5_Diff_Log 5日简单均线对数差分 3876.34 行业分支 MACD 指数平滑异同移动平均线 3731.27 行业分支 mkt_bb_pos 布林带位置指标 3633.23 市场分支 SMA_20 20日简单移动平均线 3162.82 行业分支 BIAS_20 20日乖离率 2987.41 行业分支 Return_20 20日收益率 2967.32 行业分支 EMA_20 20日指数移动平均线 2850.96 行业分支 mkt_turn.bias_60 60日换手率乖离率 2658.77 市场分支 MOM_20 20日动量 2568.5 行业分支 MOM_5 5日动量 2493.15 行业分支 BIAS_10 10日乖离率 2283.77 行业分支 MOM_10 10日动量 2230.47 行业分支 mkt_turn.bias_20 20日换手率乖离率 2139.27 市场分支 SMA_10 10日简单移动平均线 1744.32 行业分支 High 最高价 1575.58 行业分支 Low 最低价 1462.75 行业分支 EMA_10 10日指数移动平均线 1394.88 行业分支 Close 收盘价 1342.55 行业分支 Open 开盘价 1338.05 行业分支 EMA_5 5日指数移动平均线 1285.3 行业分支 SMA_5 5日简单移动平均线 1083.8 行业分支 # 特征输入：行业分支 # >基于日度数据的行业特征提取和输入 □ 输入数据：由过去20天的基础行情OHLCV和刻画行业强弱的技术与量价因子（包含RSV系列和Rank系列等10个特征）组成的张量。 因子名称 因子含义(公式) 因子描述 Open 当日开盘价 行业指数开盘价 High 当日最高价 行业指数最高价 Low 当日最低价 行业指数最低价 Close 当日收盘价 行业指数收盘价 Volume 当日成交量 行业指数成交量 EMA_5 EMA_5=EMA(Close,alpha=2/(5+1)) 收盘价5期指数移动平均 SMA_5 SMA_5=mean(Close,5) 收盘价5期简单移动平均 MOM_5 MOM_5=Close_t-Close_{t-5} 5期动量 SMA_5_Diff_Log ln(SMA_5/SMA_5shift(5))*100 SMA_5相隔5期的对数变化百分比 EMA_10 EMA_10=EMA(Close,alpha=2/(10+1)) 收盘价10期指数移动平均 SMA_10 SMA_10=mean(Close,10) 收盘价10期简单移动平均 MOM_10 MOM_10=Close_t-Close_{t-10} 10期动量 SMA_10_Diff_Log ln(SMA_10/SMA_10shift(10))*100 SMA_10相隔10期的对数变化百分比 EMA_20 EMA_20=EMA(Close,alpha=2/(20+1)) 收盘价20期指数移动平均 SMA_20 SMA_20=mean(Close,20) 收盘价20期简单移动平均 MOM_20 MOM_20=Close_t-Close_{t-20} 20期动量 SMA_20_Diff_Log ln(SMA_20/SMA_20shift(20))*100 SMA_20相隔20期的对数变化百分比 BIAS_10 (Close/SMA_10-1)*100 价格相对10期均线的偏离 BIAS_20 (Close/SMA_20-1)*100 价格相对20期均线的偏离 Return_20 Close_t/Close_{t-20}-1 20期收益率 RSI_20 100-100/(1+RS), RS=EWM(gain,α=1/20)/EWM(loss,α=1/20) 20期相对强弱指标 MACD (DIF-DEA)*2, DIF=EMA12-EMA26, DEA=EMA(DIF,9) MACD柱值 OBV cum(sum(sign delta(Close))*Volume)) 能量潮 market_ret_20 pct_change(Close market,20) 市场指数20期收益率 market_vol_20 std(pct_change(Close market,1),20) 市场指数20期收益率波动率 factor_051_min20 Alpha158: rolling min(20) 20期窗口的低分位/最小值类统计 factor_027_std30 Alpha158: rolling std(30) 30期窗口的标准差统计 factor_061_qtdl20 Alpha158: rolling lower quantile(20) 20期窗口的低分位统计 factor_052_min30 Alpha158: rolling min(30) 30期窗口的最小值统计 factor_053_min60 Alpha158: rolling min(60) 60期窗口的最小值统计 factor_026_std20 Alpha158: rolling std(20) 20期窗口的标准差统计 factor_062_qtdl30 Alpha158: rolling lower quantile(30) 30期窗口的低分位统计 factor_066_rank20 Alpha158: Rank(CLOSE,20)=(x[-1]>x[-1]).sum()/n-1) 20期相对排名比例 factor_106_cntn20 Alpha158: continuity count(20) 20期连续性计数类特征 factor_086_imxd20 Alpha158: impact cross diff(20) 价格与成交量交互的冲击度量 rel_ret_20 pct_change(Close,20)-market_ret_20 行业相对市场20期收益 # >基于日度数据的市场特征提取和输入 □ 输入数据：由过去60天的10个市场择时指标组成的张量。 □ 对输入特征做60日窗口的滚动百分位标准化。 市场特征 含义 计算方式 mkt_price.bias_20 市场价格20日乖离率 Bias20 = Close / MA20 - 1, MA20为收盘价20日均线 mkt_bb_pos 市场布林带位置 BB_pos=(Close-Lower)/(Upper-Lower), Upper与Lower为布林带上下轨 mkt_turn.bias_20 市场换手率20日乖离率 TurnBias20=Turn/MA20(Turn)-1 mkt_turn.bias_60 市场换手率60日乖离率 TurnBias60=Turn/MA60(Turn)-1 mkt_adx20 市场20日ADX趋势强度指标 基于20日周期的+DI、-DI与DX平滑得到ADX20,标准ADX计算口径 mkt_high_day_ratio_20 近20日中高位日占比 Close≥MA20 mkt_turn_std60 市场换手率60日波动率 TurnStd60=STD60(Turn) mkt_opt_iv 市场期权隐含波动率水平 取期权IV指标或IV指数,如中证或沪深相关期权隐波序列,当日值或均值 mkt_zt_ratio_MA5 市场涨停占比5日均值 ZT_ratio=涨停家数/全市场可交易家数,mkt_zt_ratio_MA5=MA5(ZT_ratio) mkt_pcr_MA5 Put Call Ratio 5日均值 PCR=Put成交量或持仓量/Call成交量或持仓量,mkt_pcr_MA5=MA5(PCR) 中证全指与市场情绪指标 composite_score close # 日度 Spearman IC +MSE混合训练 我们将模型输出的 predicted 视为行业相对强弱分数。训练时不直接拟合收益数值，而是同时优化两类能力：每个交易日的行业截面上，预测排序与真实标签排序的一致性和让预测分数在训练期内保持稳定的横截面结构。 $$ I C _ {t} = S p e a r m a n \left(y _ {t h a t}, y _ {t r u e}\right) $$ 其中： - $y_{\text{that}}$ 是第 $t$ 日模型对所有行业输出的 predicted 向量 - $y_{t \mid true}$ 是第 $t$ 日对应的真实标签向量，通常未来5天收益的截面 rank排序 - Spearman 为秩相关，更关注排序一致性 MSE约束用于刻画预测分数在截面上的稳定性，可理解为对预测截面结构的平滑与一致性约束,其作用是在不牺牲有效信息的前提下，降低预测因子随时间的无效漂移，提升分组回测的稳定性. 混合损失函数 $$ L = \alpha \cdot L _ {I C} + (1 - \alpha) \cdot L _ {M S C} $$ $$ L _ {I C} = - \frac {1}{T} \sum_ {t = 1} ^ {T} I C _ {t} $$ $$ L _ {M S E} = \frac {1}{T - 1} \sum_ {t = 2} ^ {T} \left\| \tilde {y} _ {t} ^ {p r e d} - \tilde {y} _ {t - 1} ^ {p r e d} \right\| _ {2} ^ {2} $$ 其中： T:训练样本覆盖的交易日数量 $\tilde{y}_t^{pred}$ 为 predicted 的截面标准化结果 $\bullet L_{IC}$ 越小代表平均日度IC越高 - $L_{MSE}$ 越小代表 predicted 截面结构更稳定，换仓更平滑，回测净值更稳健 - $\alpha \in [0,1]$ 为权重系数，控制预测能力与稳定性之间的取舍 # 申万二级行业轮动周历效应 # 基于GRU模型的申万二级行业轮动 我们运用GRU模型构建以申万二级行业为标的的行业轮动策略，分别分五组，固定周一至周五换仓。 策略结果 年化收益 年化波动 夏普比率 最大回撤 信息比率 周一 11.79% 22.33% 0.44 -32.84% 1.41 周二 12.58% 22.10% 0.48 -31.14% 1.61 周三 13.82% 22.21% 0.53 -29.71% 1.82 周四 12.60% 22.45% 0.47 -33.97% 1.64 周五 9.98% 22.48% 0.35 -32.78% 1.18 回测设置与对照：以申万二级行业为投资对象，模型输出行业强弱分数并进行截面排序，固定持有窗口为一周，分别在周一至周五进行换仓对比，考察换仓日选择对超额表现的影响。 □ 五种换仓日方案的净值整体向上，说明信号具备可交易性；但不同换仓日的年化收益、回撤与信息比率存在差异，换仓日对策略的收益兑现与回撤控制具有一定影响。 □ 综合年化收益、最大回撤与信息比率，周三换仓方案整体表现最优，体现出更稳定的超额积累能力。而周五换仓策略整体表现不佳，应避免将换仓日设定在周五。 周度换仓超额汇总 # 申万二级行业轮动策略-固定周三换仓 # >周三换仓超额收益分析 □ 固定周三换仓，年化益收14.47%，超额收益年化为11.94%，信息比1.92，远远高于基准。 □ 超额收益主要来自行业截面排序后的Top组持续贡献，曲线在多数区间保持上行，说明信号具备一定持续性而非单一阶段驱动。 □周三换仓在收益与风险之间取得更优平衡，适合作为基准方案用于后续的风控增强与因子叠加测试。 周三换仓超额 周三换仓五分组 □第一组为最低组，第五组为最高组，基于第五组数据可知策略年化波动约 $22\%$ ，最大回撤约 $30\%$ ，回撤集中于市场快速切换或行业轮动失效阶段，后续可通过市场状态过滤与仓位约束进一步降低回撤。 group 年化超额 超额波动 信息比 超额最大回撤 卡尔玛 第一 -5.48% 21.65% -0.25 52.88% -0.1 第二 +0.77% 20.64% -0.04 42.66% -0.02 第三 +1.91% 20.83% -0.09 40.13 -0.05 第四 5.32% 21.62% 0.25 34.19% 0.16 第五 14.47% 22.29% 0.65 28.97% 0.5 基准 2.26% 20.63% 0.11 36.38% 0.06 超额 11.94% 6.20% 1.92 6.22% 1.92 # > 不同随机种子下具有一定稳健性 将随机种子seed=42,43,44混合后做ewma，结果显示周三换仓年化收益12.39%，年化波动22.57%，最大回撤30.53%，依旧是固定换仓策略中的最优选，说明双分支的GRU模型在不同的随机种子下具有一定的稳健性。 净值曲线 换仓日 年化收益 年化波动 夏普比率 最大回撤 信息比 周一 8.82% 22.70% 0.3 -37.23% 0.99 周二 11.34% 22.59% 0.41 -32.62% 1.33 周三 12.39% 22.57% 0.46 -30.53% 1.46 周四 10.04% 22.57% 0.35 -31.96% 1.15 周五 8.72% 22.64% 0.29 -37.78% 0.97 周三换仓超额 # 日度IC序列分析 图展示了滚动测试期的日度IC序列，平均日度IC为 $4.6\%$ ，说明模型在样本外整体具备稳定的正向排序能力。 □2024年超额收益较高，对应IC序列图中的响应区间表现也较好。 □ 其中，2024年超额 $28.29\%$ 年度 第一 第二 第三 第四 第五 基准 超额 2022 -26.43% -23.07% -19.09% -5.09% -7.81% -16.56% 10.49% 2023 -5.54% -6.69% -3.35% -7.43% 6.02% -3.42% 9.77% 2024 -12.52% 6.07% -3.57% 5.65% 34.95% 5.19% 28.29% 2025 31.10% 27.21% 22.64% 32.46% 30.09% 28.87% 0.94% # >对比：lightgbm模型 □为验证双分支GRU模型的有效性和可靠性，将其与lightgbm模型（3个月一次训练、验证3个月、训练集扩展窗口2010年开始）的回测结果进行对比。 □回测结果显示，在年化收益方面，双分支GRU模型相较之有显著提升，在IC序列方面，lightgbm模型的日度IC均值为 $3.2\%$ ，小于双分支GRU的 $4.6\%$ ，且由图可知该模型IC值的方差较大。 lightgbm回测 Rolling Test IC Series # >对比：没有市场分支的GRU行业轮动模型 □我们考虑将模型与无市场分支的GRU模型对比，在固定周三换仓的情况下，进一步验证双分支GRU模型的改进效果。 □回测结果显示，年化收益为 $13.40\%$ ，低于双分支模型的 $14.47\%$ ，且没有市场分支的GRU模型在2023、2024两个年度的表现较为平庸。在IC序列方面，虽然不考虑市场分支的GRU模型的日度IC均值较高，为 $5.4\%$ 。但整体的超额收益较小。故而在控制过拟合方面，双分支模型表现较好。 没有市场分支的GRU回测（周三） 换仓日 年化收益 年化波动 夏普比率 最大回撤 信息比 周一 11.41% 21.99% 0.42 -28.55% 1.5 周二 10.49% 22.11% 0.38 -28.80% 1.43 周三 13.40% 22.03% 0.52 -31.96% 1.86 周四 10.23% 22.20% 0.37 -32.16% 1.32 周五 13.15% 21.93% 0.51 -26.47% 1.85 # >三个模型超额对比 □综上所述，双分支模型年化收益 $14.47\%$ ，领先于lightgbm和不加市场分支的GRU模型，具体超额收益如下图所示，因而得出结论，该模型相较于其他两个模型表现较好。 三模型绝对收益对比 三模型对比 # 目 录 摘要及策略逻辑 行业和市场双分支GRU的行业轮动模型 ■ 分析师预期因子在赛道优选的分层特征 剔除分析师预期的双因子轮动模型 结合基本面且剔除分析师预期的三信号轮动模型 风险提示 # 分析师预期低组的行业收益负向剔除 # >基于同比变化、多窗口平滑与IC检验的系统化筛选框架 □原始一致预期字段按绝对量纲与比例量纲分类处理 □ 绝对量类统一转化为同比增长率，并构造多窗口边际变化特征 比例类构造水平值、差分与滚动标准化特征 与未来5日行业横截面收益排序计算Spearman IC 保留IC绝对值靠前且统计稳定的因子 通过五分组回测检验单调性，保留表现稳定代表项 □ 分析师因子在行业轮动里有断层分组表现，第一、二、三组明显弱于四、五组。 共有98个分析师预期因子，此处展示IC绝对值前30的因子。 因子 第一 第二 第三 第四 第五 中文名称 FNetProfit_chg_ratio_60 -0.26% 2.32% -1.39% 8.35% 11.31% 近利润近60日变化强度 FTotalProfit_chg_ratio_60 -2.72% 2.68% 0.88% 6.75% 13.39% 总利润近60日变化强度 FNetProfit_chg_ratio_120 -0.15% -0.65% 5.39% 5.74% 9.77% 净利润近120日变化强度 FOperatingProfit_chg_ratio_120 -0.67% -0.32% 4.66% 5.89% 11.08% 经营利润近120日变化强度 FTotalProfit_chg_ratio_120 0.16% -1.18% 3.95% 4.95% 12.76% 总利润近120日变化强度 FOperatingProfit_chg_ratio_60 -2.07% 3.97% -1.65% 9.91% 11.18% 经营利润近60日变化强度 FEBITDA_chg_ratio_60 3.81% -4.54% 1.67% 10.66% 9.26% EBITDA近60日变化强度 FPEDELTA_60 6.85% 3.01% 0.46% 3.08% 6.74% 估值变化，PE近60日变动 FOperatingCost_yoy 3.66% 0.28% 1.53% 6.89% 8.59% 经营成本同比 FEBITDA_yoy 3.38% 1.85% -1.35% 7.54% 9.12% EBITDA同比 # 最终保留的分析师预期因子 因子 IC均值 IC绝对值 因子含义 FNetProfit_chg_ratio_60 3.17% 3.17% 净利润近60日变化强度 FTotalProfit_chg_ratio_60 2.73% 2.73% 总利润近60日变化强度 FNetProfit_chg_ratio_120 2.54% 2.54% 净利润近120日变化强度 FOperatingProfit_chg_ratio_120 2.50% 2.50% 经营利润近120日变化强度 FTotalProfit_chg_ratio_120 2.49% 2.49% 总利润近120日变化强度 FOperatingProfit_chg_ratio_60 2.47% 2.47% 经营利润近60日变化强度 FEBITDA_chg_ratio_60 2.20% 2.20% EBITDA近60日变化强度 FPE delta_60 -2.13% 2.13% 市盈率近60日变动幅度 FOperatingCost_yoy 2.03% 2.03% 经营成本同比 FEBITDA_yoy 1.97% 1.97% EBITDA同比 FOperatingCost_chg_ratio_60 1.94% 1.94% 经营成本近60日变化强度 FEPS_chg_ratio_60 1.93% 1.93% 每股收益近60日变化强度 FNPParentOwners_chg_ratio_60 1.93% 1.93% 归母净利润近60日变化强度 FEBIT_yoy 1.92% 1.92% EBIT同比 FOperatingCost_yoy_mean_20 1.90% 1.90% 经营成本同比20日均值 FTotalProfit_yoy 1.89% 1.89% 总利润同比 FNetProfit_yoy 1.74% 1.74% 净利润同比 FOperatingProfit_yoy 1.69% 1.69% 经营利润同比 FTotalProfit_yoy_mean_20 1.69% 1.69% 总利润同比20日均值 FNPParentComOwners_chg_ratio_120 1.68% 1.68% 归母净利润近120日变化强度 FOperatingIncome_chg_ratio_120 1.66% 1.66% 营业收入近120日变化强度 FEBIT_yoy_mean_20 1.62% 1.62% EBIT同比20日均值 FOperatingProfit_yoy_mean_20 1.60% 1.60% 经营利润同比20日均值 FROE delta_60 1.48% 1.48% ROE近60日变动幅度 FEBIT_yoy_mean_60 1.46% 1.46% EBIT同比60日均值 FOperatingCost_chg_ratio_120 1.41% 1.41% 经营成本近120日变化强度 FEBITDA_chg_ratio_120 1.40% 1.40% EBITDA近120日变化强度 FEBITDA_yoy_mean_20 1.38% 1.38% EBITDA同比20日均值 FNetProfit_yoy_mean_20 1.37% 1.37% 净利润同比20日均值 FOperatingCost_yoy_mean_60 1.33% 1.33% 经营成本同比60日均值 # 分析师预期低组的行业收益负向剔除 # > 分析师预期因子组合表现 虽然分析师预期因子组合单调性明显，但是多头超额大多集中在2025年，并不平稳。 □ 空头收益、低组（第一第二第三组）收益在分年度上面较弱。 group 年化超额 超额波动 信息比 超额最大回撤 卡尔玛 第一 -0.26% 21.83% -0.01 0.43 -0.01 第二 -1.79% 20.72% -0.09 0.42 -0.04 第三 3.76% 20.39% 0.18 0.31 0.12 第四 6.39% 21.22% 0.3 0.35 0.18 第五 12.49% 21.86% 0.57 0.33 0.37 基准 4.15% 20.51% 0.2 0.36 0.11 超额 8.02% 6.30% 1.27 0.06 1.25 year 第一 第二 第三 第四 第五 基准 超额 2022 -20.28% -18.40% -10.23% -17.79% -17.05% -16.69% -0.43% 2023 -8.48% -10.09% -0.36% -2.31% 4.86% -3.33% 8.48% 2024 6.38% 5.34% -1.04% 11.60% 6.38% 5.81% 0.55% 2025 19.00% 13.33% 23.94% 34.12% 54.74% 28.47% 20.45% 2026 6.81% 5.79% 5.67% 6.75% 12.30% 7.46% 4.50% # 2025年超额明显变更高 # 分析师预期低组的行业收益负向剔除 # > 分析师预期因子组合表现 TopN回测显示分析师预期因子具备一定方向性，但单因子策略的风险收益性价比并不理想。从净值曲线看，收益主要在少数趋势阶段集中释放，非趋势阶段回撤较深且修复周期较长，导致整体可交易性受限。与此同时，Top20、Top30、Top50的长期差距并不稳定，说明单因子对仓位集中度较敏感，稳健性不足。 □在部分年份因子能够贡献较高超额，但在弱市或震荡阶段表现显著走弱，回撤与波动拖累整体绩效。基于此，我们更倾向将分析师预期因子作为信息补充源，在后续与深度学习因子、基本面因子融合中获取边际信息增益，并通过正交叠加改善回撤与收益分布。 year Top20 Top30 Top50 2022 -17.97% -16.73% -15.14% 2023 2.95% 0.58% -1.31% 2024 10.56% 7.72% 7.54% 2025 47.98% 46.05% 33.22% 2026 10.97% 9.03% 7.87% bucket 年化超额 超额波动 信息比 超额最大回撤 卡尔玛 Top20 11.17% 21.38% 52.27% 34.39% 0.32 Top30 9.40% 20.98% 44.81% 34.27% 0.27 Top50 6.62% 20.39% 32.46% 33.66% 0.19 Top/20/30/50回测 # 目 录 摘要及策略逻辑 行业和市场双分支GRU的行业轮动模型 分析师预期因子在赛道优选的分层特征 剔除分析师预期的双因子轮动模型 结合基本面且剔除分析师预期的三信号轮动模型 风险提示 # 剔除分析师预期的双因子轮动模型 # 基于分析师预期因子，深度学习因子的双信号叠加择时 □ 首先剔除分析师预期较低的二级行业，提升整体单调性。质量缺陷杯剔除，再使用深度学习因子进行换仓。 □ 剔除掉分析师预期因子之后，深度学习因子依然具有比较明显的单调性。第五组为双信号叠加分组表现最佳的组别，年化收益 $19.6\%$ 、年化超额 $16.96\%$ ，相对于单信号的 $11.94\%$ 有明显提升。策略的年化超额在2023、2024、2025年都较为显著。 年化超额 超额波动 信息比 超额最大回撤 卡尔玛 第一 -1.89% 23.67% -7.97% 50.46% -3.74% 第二 -0.74% 22.41% -3.30% 41.48% -1.78% 第三 4.93% 22.75% 21.66% 40.01% 12.31% 第四 11.85% 23.25% 50.99% 33.00% 35.92% 第五 19.60% 23.16% 84.65% 26.16% 74.92% 基准 2.26% 20.63% 10.96% 36.38% 6.21% 超额 16.96% 9.62% 176.30% 7.74% 219.19% 第一 第二 第三 第四 第五 基准 超额 2022 -25.09% -22.08% -17.96% -6.95% -16.19% -16.56% 0.44% 2023 -1.86% -1.33% -1.14% -4.42% 14.42% -3.42% 18.46% 2024 -11.24% 2.61% -2.05% 11.93% 40.56% 5.19% 33.62% 2025 41.79% 22.94% 52.35% 57.02% 51.67% 28.87% 17.69% 双信号叠加分组表现 # 剔除分析师预期的双因子轮动模型 # > 分析师预期因子与深度学习因子交叉分组情况 □ 整体上两者在第五组（最高组）重合度最低，两者第一组（最低组）重合度最高，但在不同时间截面中存在动态变化。 在深度学习高组中，分析师高预期占比大部分区间高于分析师低预期(高预期为第四第五组，低预期为第一、二、三组)。 截面热力图（截面时间：20240630） 第一 第二 第三 第四 第五 第五 5.97% 7.46% 1.49% 4.48% 1.49% 第四 1.49% 4.48% 2.99% 2.99% 7.46% 第三 2.99% 1.49% 5.97% 4.48% 4.48% 第二 2.99% 4.48% 1.49% 5.97% 4.48% 第一 7.46% 1.49% 7.46% 1.49% 2.99% GRU得分第五组（越高越好）里面分析师预期高低组别占比 # 剔除分析师预期的双因子轮动模型 # 基于分析师预期因子，深度学习因子叠加的双信号叠加择时 □ 对比了三组（N=5，10，15）头部阈值组合表现 测试表明，持仓TOP5组合表现最佳：全样本年化收益21.7%，2025年样本外绝对收益61.96%。 Top10 Top15 Top5 2022 -12.12% -13.36% -14.93% 2023 6.10% 5.20% 18.67% 2024 24.32% 14.63% 33.99% 2025 61.13% 58.57% 61.96% 年化超额 超额波动 信息比 超额最大回撤 卡尔玛 Top10 16.94% 22.56% 75.10% 25.26% 67.08% Top15 13.49% 21.85% 61.74% 28.69% 47.03% Top5 21.70% 23.48% 92.43% 24.38% 89.01% 多信号叠加净值对比 双信号叠加不同组合收益对比 # 目 录 摘要及策略逻辑 行业和市场双分支GRU的行业轮动模型 分析师预期因子在赛道优选的分层特征 剔除分析师预期的双因子轮动模型 结合基本面且剔除分析师预期的三信号轮动模型 风险提示 # 三信号叠加产生协同效应 # 基于分析师预期因子，深度学习因子，基本面因子叠加的三信号叠加择时 保留IC均值为正，且覆盖交易日充足的因子（右图为前30个），剔除统计不稳定项 □ 深度学习与基本面因子捕捉不同的定价逻辑，即使基本面因子独立表现并不出众，其提供的差异化信号对组合具有增量贡献 □基本面因子可修正深度学习模型的极端输出，通过经济逻辑约束降低过拟合风险，提升信号稳健性 两个因子的结合可能产生协同效应（synergy），这种效应无法通过线性加权完全捕捉。 □ 深度学习因子先筛选出高质量股票，基本面因子在这些股票上更有效 下表为基于筛选出的基础因子，采用60日滚动窗口计算信号比例所构建的衍生因子， 因子名称 中文名称 第一 第二 第三 第四 第五 FNetProfit_chg_ratio_60 60日净利润变化率 -0.26% 2.32% 1.39% 8.35% 11.31% FTotalProfit_chg_ratio_60 60日利润总额变化率 -2.72% 2.68% 0.88% 6.75% 13.39% FNetProfit_chg_ratio_120 120日净利润变化率 -0.15% +0.65% 5.39% 5.74% 9.77% FOperatingProfit_chg_ratio_120 120日营业利润变化率 +0.67% -0.32% 4.66% 5.89% 11.08% FTotalProfit_chg_ratio_120 120日利润总额变化率 0.16% +1.18% 3.95% 4.95% 12.76% FOperatingProfit_chg_ratio_60 60日营业利润变化率 -2.07% 3.97% -1.65% 9.91% 11.18% FEBITDA_chg_ratio_60 60日EBITDA变化率 3.81% -4.54% 1.67% 10.66% 9.26% FPE delta_60 60日市盈率变化 6.85% 3.01% 0.46% 3.08% 6.74% FOperatingCost_yoy 营业成本同比增长率 3.66% 0.28% 1.53% 6.89% 8.59% FEBITDA_yoy EBITDA同比增长率 3.38% 1.85% -1.35% 7.54% 9.12% 因子名称 中文名称 IC均值 GrossProfitYOY 毛利润同比增长率(%) 6.59% GrossProfitAdjYOY 毛利润(调整)同比增长率(%) 6.42% DilutedROA 总资产净利率_摊薄(%) 6.00% ROA 总资产净利率(%) 5.96% SEWithoutMIToTL 归属母公司股东的权益/负债合计(%) 5.82% OperatingProfitToTOR 营业利润/营业总收入(%) 5.80% NPToTOR 净利润/营业总收入(%) 5.40% NPParentCompanyCutAdjYOY 归属母公司股东的净利润(扣除)(调整)同比增长(%) 5.36% NetProfitRatio 销售净利率(%) 5.33% NPParentCompanyCutYOY 归属母公司股东的净利润(扣除)同比增长(%) 5.21% ROIC 投入资本回报率(%) 5.00% NetOperCFToOperReve 经营现金净流量/营业总收入(%) 4.99% CashRateOfSales 经营活动产生的现金流量净额/营业收入(%) 4.98% CashRateOfSalesTTM 经营活动产生的现金流量净额/营业收入_TTM(%) 4.95% NetTangibleAssetsTA 有形资产净值/总资产(%) 4.90% NetProfitAdjYOY 净利润(调整)同比增长率(%) 4.86% NAORYOY 净资产收益率(摊薄)同比增长(%) 4.80% QuickRatio 速动比率(%) 4.71% NetCashFlowTTM 现金及现金等价物净增加额TTM(万元) 4.68% NetProfitYOY 净利润同比增长率(%) 4.67% ROATTM 总资产净利率_TTM(%) 4.55% OperatProfitToTORTTM 营业利润/营业总收入_TTM(%) 4.54% OperCashFlowPS 每股经营活动产生的现金流量净额(元/股) 4.51% NPParentComOwnersAdjYOY 归属母公司普通股东的净利润(调整)同比增长率(%) 4.38% OperCashFlowToTL 经营活动产生的现金流量净额/负债合计(%) 4.36% ROEcut 净资产收益率_扣除,摊薄(%) 4.34% CashFlowPSTTM 每股现金流量净额TTM(元/股) 4.30% NPParentComOwnersYOY 归属母公司股东的净利润(同比增长率)(%) 4.30% WROECut 净资产收益率_扣除,平均(%) 4.28% NPToTORTTM 净利润/营业总收入_TTM(%) 4.25% # 结合基本面且剔除分析师预期的三信号轮动模型 # 基于分析师预期因子，深度学习因子叠加的双信号叠加择时 □ 对比了三组（N=5，10，15）头部阈值组合表现 测试表明，持仓高度集中的TOP5组合表现最佳：全样本年化21.32%，2025年样本外绝对收益62.81%。 年化超额 超额波动 信息比 超额最大回撤 卡尔玛 Top10 15.55% 22.47% 69.23% 27.25% 57.07% Top15 13.46% 21.91% 61.44% 29.14% 46.20% Top5 21.32% 23.78% 89.64% 26.68% 79.89% Top10 Top15 Top5 2022 -13.80% -13.87% -18.76% 2023 6.01% 5.44% 15.42% 2024 24.19% 15.05% 41.72% 2025 56.90% 58.39% 62.81% 三信号叠加不同组合收益对比 # 结合基本面且剔除分析师预期的三信号轮动模型 # 基于分析师预期因子，深度学习因子，基本面因子叠加的三信号叠加 □基本面因子整体占比不到0.1%，但其对于双信号融合有协同效应，提供非线性提升。 三信号融合较双信号多头超额收益为20.71%，相对于双信号的16.86%，提升了3.85%。 三信号对比双信号超额 第一 第二 第三 第四 第五 基准 超额 2022 -20.01% -26.34% -17.00% -10.64% -14.84% -16.56% 2.07% 2023 -3.47% -1.97% -0.98% -3.72% 15.37% -3.42% 19.45% 2024 -11.93% 9.70% -1.76% 6.27% 39.03% 5.19% 32.17% 2025 46.98% 20.11% 50.17% 36.56% 69.73% 28.87% 31.70% 年化超额 超额波动 信息比 额最大回 卡尔玛 第一 0.03% 23.59% 0.11% 48.10% 0.06% 第二 -1.22% 22.67% -5.37% 43.80% -2.78% 第三 4.97% 22.82% 21.80% 38.03% 13.08% 第四 5.73% 23.15% 24.76% 32.88% 17.44% 第五 23.44% 23.20% 101.00% 23.75% 98.69% 基准 2.26% 20.63% 10.96% 36.38% 6.21% 超额 20.71% 9.82% 210.82% 9.22% 224.69% 三信号叠加分组收益 # 三信号叠加202512持仓及收益解析 # 基于分析师预期因子，深度学习因子，基本面因子叠加的三信号叠加择时 □以2025年12月3日的截面为例，Top5的持仓包括，黄金、稀有金属、船舶制造、电子制造、通信设备。这5个持仓行业的未来一周收益排序均在前 $50\%$ 2025年12月的净值相对于基准有显著超额。 202512TOP5持仓 换仓日期 证券代码 证券简称 换仓日期 证券代码 证券简称 2025/12/3 801053 黄金Ⅱ(申万) 2025/12/17 801053 黄金Ⅱ(申万) 2025/12/3 801054 稀有金属(申万) 2025/12/17 801018 动物保健Ⅱ(申万) 2025/12/3 801744 船舶制造Ⅱ(申万) 2025/12/17 801055 工业金属(申万) 2025/12/3 801085 电子制造Ⅱ(申万) 2025/12/24 801054 稀有金属(申万) 2025/12/3 801102 通信设备(申万) 2025/12/24 801881 他交运设备Ⅱ(申万) 2025/12/10 801054 稀有金属(申万) 2025/12/24 801231 综合Ⅱ(申万) 2025/12/10 801053 黄金Ⅱ(申万) 2025/12/24 801012 农产品加工(申万) 2025/12/10 801141 包装印刷Ⅱ(申万) 2025/12/24 801101 计算机设备Ⅱ(申万) 2025/12/10 801231 综合Ⅱ(申万) 2025/12/31 801053 黄金Ⅱ(申万) 2025/12/10 801055 工业金属(申万) 2025/12/31 801085 电子制造Ⅱ(申万) 2025/12/17 801054 稀有金属(申万) 2025/12/31 801712 玻璃制造Ⅱ(申万) 2025/12/17 801141 包装印刷Ⅱ(申万) 2025/12/31 801161 电力(申万) 2025/12/17 801053 黄金Ⅱ(申万) 2025/12/31 801083 元件Ⅱ(申万) 202512净值 # 基于分析师预期因子，深度学习因子，基本面因子叠加的三信号叠加择时 基于深度学习和基本面zscore值进行加权后确认组别，无组别的行业代表已经被分析师边际变化负向剔除 □ 深度学习因子在高收益行业中呈现普遍正向暴露，而在右边的低收益区域则多为负向暴露。 date 证券简称 分析师边际变化组个 深度学习zscore值 基本面zscore值 加权zscore 最终组别Group 2025/12/3 航天装备II(申万) 5 -0.80 -1.82 -1.13 0 2025/12/3 通信设备(申万) 5 1.13 0.55 1.00 4 2025/12/3 保险II(申万) 5 0.22 0 2025/12/3 元件II(申万) 5 0.96 1.37 0.92 4 2025/12/3 综合II(申万) 5 -0.25 -0.85 -0.49 1 2025/12/3 通用机械(申万) 3 0.26 -0.09 2025/12/3 他交运设备II(申万) 4 -2.12 2.30 -1.91 0 2025/12/3 其他电子II(申万) 2 -1.90 -0.53 2025/12/3 专用设备(申万) 3 0.12 -0.17 2025/12/3 光学光电子(申万) 2 0.24 -0.45 2025/12/3 一般零售(申万) 1 2.53 -0.80 2025/12/3 动物保健II(申万) 4 0.23 0.54 0.13 2 2025/12/3 半导体(申万) 5 0.30 0.06 0.15 3 2025/12/3 玻璃制造II(申万) 5 -0.08 -0.20 -0.25 2 2025/12/3 券商II(申万) 5 -0.25 -0.49 -0.45 1 2025/12/3 工业金属(申万) 5 0.29 1.79 0.33 3 2025/12/3 非金属新材料(申 3 -1.45 -0.55 2025/12/3 稀有金属(申万) 4 1.72 0.72 1.58 4 2025/12/3 包装印刷II(申万) 4 -0.17 0.29 -0.28 2 2025/12/3 航空装备II(申万) 3 0.08 -1.36 2025/12/3 汽车零部件II(申万) 4 0.90 0.45 0.77 3 2025/12/3 电源设备(申万) 1 1.83 -0.64 2025/12/3 多元金融II(申万) 2 -0.43 -0.94 2025/12/3 电机II(申万) 5 0.42 -0.12 0.24 3 2025/12/3 医药商业II(申万) 2 1.09 -0.44 2025/12/3 物流II(申万) 3 -0.38 -0.45 2025/12/3 医疗服务II(申万) 4 -0.75 1.93 -0.65 1 2025/12/3 电子制造II(申万) 5 1.39 0.38 1.22 4 2025/12/3 船舶制造II(申万) 5 1.74 -0.66 1.44 4 2025/12/3 造纸II(申万) 1 -0.27 -1.30 2025/12/3 塑料II(申万) 4 -0.10 -0.39 -0.29 2 2025/12/3 化学制品(申万) 4 0.43 0.45 0.31 3 date 证券简称 分析师边 际变化组 合 深度学习 zscore值 基本面zscore 值 加权zscore 最终组别 Group 2025/12/3 化学制药 4 -0.29 0.69 -0.35 2 2025/12/3 家用轻工 4 -0.73 0.62 -0.78 1 2025/12/3 装修装饰 II 1 -0.19 -1.79 2025/12/3 水泥制造 II 2 0.01 -0.93 2025/12/3 种植业 1 -0.64 -0.43 2025/12/3 饲料 II 2 0.18 0.50 2025/12/3 运输设备 II 4 -0.55 -0.66 -0.75 1 2025/12/3 视听器材 1 -1.38 -0.10 2025/12/3 地面兵装 II 3 1.07 -1.66 2025/12/3 电力 3 1.44 0.48 2025/12/3 纺织制造 2 -0.74 1.14 2025/12/3 基础建设 1 0.31 -0.30 2025/12/3 农产品加工 4 -1.31 0.78 -1.31 0 2025/12/3 橡胶 2 -0.65 -0.29 2025/12/3 计算机设备 II 4 -1.36 -0.18 -1.47 0 2025/12/3 生物制品 II 1 -0.13 0.17 2025/12/3 医疗器械 II 1 0.31 0.89 2025/12/3 中药 II 3 0.64 1.02 2025/12/3 房屋建设 II 1 -1.01 -0.83 2025/12/3 服装家纺 3 -0.90 -0.22 2025/12/3 房地产开发 II 1 1.45 -1.83 2025/12/3 渔业 -1.84 -2.09 2025/12/3 汽车服务 II 3 -1.34 -0.72 2025/12/3 通信运营 II 3 0.54 1.65 2025/12/3 贸易 II 1 -1.72 -0.17 2025/12/3 畜禽养殖 II 3 -0.35 1.61 2025/12/3 化学纤维 2 -0.77 -0.35 2025/12/3 黄金 II 5 2.08 1.54 2.02 4 2025/12/3 白色家电 2 0.94 2.18 2025/12/3 其他建材 II 1 0.04 -0.31 2025/12/3 燃气 II 2 -0.41 0.51 2025/12/3 食品加工 2 0.46 1.33 2025/12/3 专业工程 2 -0.26 -1.02