> **来源：[研报客](https://pc.yanbaoke.cn)** # 深度学习因子周报总结（2026年07月18日） ## 核心内容概述 本报告总结了2026年7月18日发布的《深度学习因子周报》，重点分析了多个深度学习因子在不同宽基指数下的近期及今年以来的超额收益表现，并对指数增强组合的表现进行了跟踪。同时，报告还简要介绍了所使用的深度学习模型及其原理，并提出了相应的风险提示。 --- ## 主要观点 ### 1. 深度学习因子表现 - **近一周表现**： - **中证全指**：score_v4style 因子表现最佳，超额收益为 **5.88%**，其次是 score_v3fast（4.94%）。 - **沪深300**：score_v4style 因子表现最佳，超额收益为 **4.73%**，其次是 score_v2（-6.85%）。 - **中证500**：score_v4style 因子表现最佳，超额收益为 **5.13%**，其次是 score_v4（22.76%）。 - **中证1000**：score_v4style 因子表现最佳，超额收益为 **7.72%**，其次是 score_v4（22.32%）。 - **今年以来表现**： - **中证全指**：score_v4style 因子表现最好，超额收益为 **30.71%**，其次是 score_v3fast（24.26%）。 - **沪深300**：score_v2 因子表现最好，超额收益为 **28.68%**，其次是 score_v4style（28.38%）。 - **中证500**：score_v4 因子表现最好，超额收益为 **22.76%**，其次是 score_v4style（20.55%）。 - **中证1000**：score_v4style 因子表现最好，超额收益为 **32.21%**，其次是 score_v4（22.32%）。 - 所有因子在今年以来均实现了正超额收益。 ### 2. 指数增强组合表现 - **近一周表现**： - 沪深300指增组合超额收益为 **-4.06%**。 - 中证500指增组合超额收益为 **0.41%**。 - 中证1000指增组合超额收益为 **-0.22%**。 - **今年以来表现**： - 沪深300指增组合超额收益为 **2.70%**。 - 中证500指增组合超额收益为 **12.05%**。 - 中证1000指增组合超额收益为 **9.86%**。 - 中证500指增组合表现最好，中证1000指增组合其次，所有指增组合今年均获得正超额。 --- ## 关键信息 ### 1. 因子构建与模型说明 - **score_v0**：使用周度、日度、分钟线和level2数据集，采用带图结构GRU模型+ABCM模型。 - **score_v2**：使用周度、日度、分钟线、level2和基本面数据集，采用带图结构GRU模型。 - **score_v3fast**：使用周度、日度、分钟线、level2和基本面数据集，采用ABCM模型。 - **score_v3**：使用周度、日度、分钟线、level2和基本面数据集，采用带图结构GRU模型+ABCM模型。 - **score_v4style**：使用周度、日度、分钟线、level2和基本面数据集，采用StyleNet模型。 - **score_v4**：使用周度、日度、分钟线、level2和基本面数据集，采用带图结构GRU模型+ABCM模型+StyleNet模型+行业轮动。 ### 2. 组合构建方式 - 使用 **score_v4 + 行业轮动模型** 构建指数增强组合。 - 周频调仓，使用 **VWAP** 价格进行买卖交易。 - **风险暴露控制**： - 市值因子暴露不超过 **0.3 倍标准差**。 - 所有行业因子暴露不超过 **2%**。 - **组合约束**： - 成分股占比为 **80%**。 - 周单边换手率限制为 **20%**。 - 个股权重偏离限制为 **±1%**。 --- ## 风险提示 1. 量化模型基于历史数据构建，存在未来失效风险，需持续跟踪模型表现。 2. 极端市场环境可能对模型效果产生冲击，导致收益亏损。 --- ## 结论 - **score_v4style** 因子在多个指数中表现突出，尤其是在中证1000指数中，今年以来超额收益达 **32.21%**。 - **score_v4** 因子在中证500和中证1000指数中表现稳定，超额收益分别为 **22.76%** 和 **22.32%**。 - **指增组合** 在中证500指数中表现最佳，今年以来超额收益为 **12.05%**。 - 所有因子和指增组合在2026年均实现了正超额收益，但需注意模型的适用性和市场风险。 --- ## 附录（模型介绍） - **带图结构 GRU 模型**：通过构建自适应 Attention 图结构捕捉股票间交互关系。 - **ABCM 模型**：用于分离 alpha 和 beta 成分，通过 MSE 和 Rsquare 损失函数。 - **StyleNet 模型**：用于分离个股特质性 alpha 与风格因子带来的 alpha，公式为： $$ alpha = \alpha + \sum_{i} \beta^{i} \lambda^{i} $$ 其中，$\alpha$ 表示特质性 alpha，$\beta^{i}$ 表示风格因子，$\lambda^{i}$ 表示风格因子收益率。