> **来源：[研报客](https://pc.yanbaoke.cn)** # 深度学习因子周报总结（2026年08月23日） ## 核心内容概述 本报告基于华源证券研究所的深度学习因子模型，对多个宽基指数成分股中因子表现及指增组合的超额收益进行了跟踪分析。报告涵盖了中证全指、沪深300、中证500和中证1000指数，评估了不同因子在近一周、近一月、近一年及今年以来的表现，并提供了模型构建方式和风险提示。 ## 主要观点 - **因子表现**： - **中证全指**：score_v5 因子表现最佳，今年以来超额收益为 40.08%；score_v3fast 为 36.37%；所有因子均获得正超额。 - **沪深300**：score_v1 因子表现最好，今年以来超额收益为 35.90%；score_v2 为 33.22%；所有因子均获得正超额。 - **中证500**：score_v4 因子表现最佳，今年以来超额收益为 36.13%；score_v5 为 35.95%；所有因子均获得正超额。 - **中证1000**：score_v3fast 因子表现最好，今年以来超额收益为 32.53%；score_v4 为 31.33%；所有因子均获得正超额。 - **指增组合表现**： - 近一周，沪深300、中证500和中证1000指增组合超额收益分别为 0.42%、0.47% 和 0.25%。 - 今年以来，沪深300、中证500和中证1000指增组合超额收益分别为 7.01%、13.53% 和 12.18%。 - 中证500指增组合表现最好，中证1000其次，所有指增组合均获得正超额。 ## 关键信息 ### 1. 深度学习因子说明 - **score_v1**：使用门控网络模型，基于周度、日度、分钟线、level2和基本面数据集。 - **score_v2**：使用带图结构GRU模型，基于相同数据集。 - **score_v3fast**：基于ABCM模型，具有较强的选股能力和对未来收益率的解释能力。 - **score_v4style**：基于StyleNet模型，捕捉市场风格信息。 - **score_v4**：融合GRU模型、ABCM模型、StyleNet模型及行业轮动。 - **score_v5**：融合score_v1、score_v2、score_v3fast、score_v4style及行业轮动，模型复杂度高，综合表现突出。 ### 2. 多头组合构建方式 - **选股范围**：各宽基指数成分股，剔除北交所股票。 - **分组方式**：中证全指按因子得分分20组，沪深300、中证500、中证1000按因子得分分10组。 - **调仓频率**：周度调仓，根据周五因子得分在每周一按收盘价进行买卖交易。 - **风险控制**： - 市值因子相对基准指数的暴露不超过0.3倍标准差。 - 所有行业因子相对暴露不超过2%。 - 成分股占比限制为80%，周单边换手率限制为20%，个股权重偏离限制为±1%。 ### 3. 指增组合构建方式 - **使用因子**：score_v5。 - **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。 - **交易规则**：停牌和涨停不能买入，停牌和跌停不能卖出。 - **成本假设**：买入成本为千分之一，卖出成本为千分之二。 ## 风险提示 1. 量化模型基于历史数据，未来可能存在失效风险。 2. 极端市场环境可能对模型效果产生冲击，导致收益亏损。 ## 附录：模型介绍 - **带图结构GRU模型**： - 通过构建自适应Attention图结构，捕捉股票之间的交互关系。 - 公式：$$\boldsymbol {Z} = (\boldsymbol {I} + \text { softmax } (\text { ReLU } (\boldsymbol {M M} ^ {T}))) \boldsymbol {X W}$$ - **ABCM模型**： - 分离GRU模型提取信息中的alpha和风险成分。 - alpha成分具有选股能力和对未来收益率的解释能力，风险成分则仅具有解释能力。 - **StyleNet模型**： - 使用多因子模型思想，分离个股特质性alpha与风格轮动带来的alpha。 - 公式：$$alpha = \alpha + \sum_ {i} \beta^ {i} \lambda^ {i}$$ ## 总结 本报告展示了多个深度学习因子在不同宽基指数成分股中的表现，以及基于score_v5因子构建的指增组合的超额收益情况。所有因子及指增组合在今年以来均获得正超额收益，其中score_v5因子表现尤为突出，尤其在中证全指和沪深300指数中。报告强调了模型的构建方式和风险提示，建议投资者在使用时注意市场变化和模型的适用性。