> **来源：[研报客](https://pc.yanbaoke.cn)** # 深度学习因子周报总结（2026年05月11日） ## 核心内容概述 本报告分析了2026年5月11日深度学习因子在多个宽基指数中的表现，包括中证全指、沪深300、中证500和中证1000。同时，还评估了基于这些因子构建的指数增强组合的表现。报告指出，所有因子在2026年至今均获得正超额收益，且在不同指数中表现各异。 --- ## 主要观点 ### 1. 深度学习因子表现 - **中证全指**： - 近一周，score_v3fast 因子表现最佳，超额收益为 4.70%。 - 今年以来，score_v3fast 因子超额收益为 14.00%，score_v4 因子为 13.15%，所有因子均获得正超额。 - **沪深300**： - 近一周，score_v0 因子表现最佳，超额收益为 3.04%。 - 今年以来，score_v2 因子表现最佳，超额收益为 21.77%，score_v3 因子为 14.79%，所有因子均获得正超额。 - **中证500**： - 近一周，score_v0 因子表现最佳，超额收益为 2.82%。 - 今年以来，score_v4 因子表现最佳，超额收益为 10.34%，score_v3 因子为 8.47%，所有因子均获得正超额。 - **中证1000**： - 近一周，score_v4 因子表现最佳，超额收益为 2.82%。 - 今年以来，score_v3 因子表现最佳，超额收益为 11.73%，score_v0 因子为 10.33%，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、中证500和中证1000指增组合超额收益分别为 2.13%、1.11% 和 0.67%。 - 今年以来，沪深300指增组合超额收益为 5.92%，中证500指增组合为 6.53%，中证1000指增组合为 5.28%。 - 所有指增组合在2026年至今均获得正超额收益，其中中证500指增组合表现最好。 --- ## 关键信息 ### 1. 因子构建方式 - **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。 ### 2. 多空组合构建方式 - 选股范围：各宽基指数成分股，剔除北交所股票。 - 分组方式：中证全指成分股按因子得分分20组，沪深300、中证500和中证1000成分股按因子得分分10组。 - 调仓频率：周度调仓，每周一根据周五因子得分进行买卖交易。 - 风险控制：限制市值因子和行业因子的暴露，分别不超过0.3倍标准差和2%。 ### 3. 指增组合构建方式 - 使用因子：score_v4 - 交易方式：假设根据每周五个股得分在每周一以vwap价格进行买卖交易 - 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% - 成本假设：买入成本为千分之一，卖出成本为千分之二，停牌和涨停不能买入，停牌和跌停不能卖出。 --- ## 风险提示 1. 量化模型基于历史数据分析，未来可能存在失效风险，建议投资者密切跟踪模型表现。 2. 极端市场环境可能对模型效果产生剧烈冲击，导致收益亏损。 --- ## 模型说明 ### 1. 带图结构 GRU 模型 - 通过构建自适应 Attention 图结构来捕捉股票间的交互关系。 - 公式：$$ \boldsymbol {Z} = (\boldsymbol {I} + \text { softmax } (\text { ReLU } (\boldsymbol {M M} ^ {T})) \boldsymbol {X W} $$ - 用于生成低相关的弱因子。 ### 2. ABCM 模型 - 通过计算与未来收益率标签的 MSE 和 Rsquare 损失来分离 alpha 和风险成分。 - alpha 成分：具有选股能力和解释能力。 - 风险成分：不具有选股能力，但具有解释能力。 ### 3. StyleNet 模型 - 用于分离广义 alpha 成分中的特质性 alpha 和风格因子带来的 alpha。 - 公式：$$ alpha = \alpha + \sum_ {i} \beta^ {i} \lambda^ {i} $$ - 其中，$\alpha$ 表示特质性 alpha，$\beta^i$ 表示风格因子，$\lambda^i$ 表示风格因子的收益率。 --- ## 结论 - 2026年至今，所有因子及指增组合均实现正超额收益。 - score_v3fast、score_v2、score_v3 和 score_v4 因子在不同指数中表现突出。 - 指增组合在中证500上表现最佳，沪深300次之，中证1000相对较弱。 - 投资者需注意模型的潜在失效风险及极端市场环境的影响。