20260628-华源证券-深度学习因子周报_Score_v4因子今年相对中证全指超额21.24_11页_1mb

深度学习因子周报总结（2026年06月28日）

核心内容概述

本报告对2026年6月28日的深度学习因子表现及指增组合收益进行了跟踪分析，涵盖中证全指、沪深300、中证500和中证1000等宽基指数，展示了各因子在不同时间周期内的超额收益表现。

主要观点

• 因子表现：所有因子在2026年均取得正超额收益，其中 score_v4 因子表现突出，尤其在中证全指和沪深300指数上超额收益显著。
• 近期表现：近一周，score_v2 因子在多个指数中表现最佳，而 score_v3fast 因子在部分指数中表现较弱。
• 指增组合表现：指增组合在近一周表现分化，中证1000指增组合超额收益为1.19%，表现相对较好；沪深300和中证500指增组合则出现小幅亏损。
• 模型介绍：报告中介绍了多个深度学习模型，包括带图结构 GRU 模型、ABCM 模型和 StyleNet 模型，用于因子挖掘和收益分析。

关键信息

各指数下因子表现

中证全指

• 近一周：score_v2（1.18%）、score_v0（1.10%）、score_v3（0.90%）、score_v4（0.95%）、score_v4style（0.02%）、score_v3fast（-0.49%）。
• 今年以来：score_v4（21.24%）、score_v3fast（20.18%）、score_v0（17.90%）、score_v3（16.04%）、score_v2（13.12%）、score_v4style（19.94%）。

沪深300

• 近一周：score_v2（6.54%）、score_v0（2.41%）、score_v3（6.38%）、score_v3fast（-0.55%）、score_v4（1.43%）、score_v4style（-1.96%）。
• 今年以来：score_v2（47.65%）、score_v3（44.21%）、score_v0（32.34%）、score_v4（30.83%）、score_v3fast（19.42%）、score_v4style（15.49%）。

中证500

• 近一周：score_v2（4.66%）、score_v0（3.54%）、score_v3（1.89%）、score_v4（0.64%）、score_v3fast（0.03%）、score_v4style（-2.84%）。
• 今年以来：score_v2（23.80%）、score_v0（23.21%）、score_v3（21.01%）、score_v4（19.85%）、score_v3fast（10.31%）、score_v4style（3.44%）。

中证1000

• 近一周：score_v2（2.34%）、score_v0（0.84%）、score_v4（0.99%）、score_v3（1.89%）、score_v3fast（-0.21%）、score_v4style（-0.20%）。
• 今年以来：score_v0（24.25%）、score_v4（24.17%）、score_v3（23.19%）、score_v2（16.22%）、score_v3fast（14.77%）、score_v4style（14.47%）。

指增组合表现

• 近一周：沪深300指增组合（-1.07%）、中证500指增组合（-0.89%）、中证1000指增组合（1.19%）。
• 今年以来：沪深300指增组合（6.97%）、中证500指增组合（12.14%）、中证1000指增组合（8.39%）。
• 表现总结：中证500指增组合表现最好，中证1000次之，沪深300指增组合表现相对较弱。

模型说明

• 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，生成低相关性因子。
• ABCM 模型：分离 alpha 和 beta 成分，用于提取选股能力和风险成分。
• StyleNet 模型：分离个股特质性 alpha 和风格轮动带来的 alpha，用于多因子分析。

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造成剧烈冲击，导致收益亏损。

总结

本报告总结了多个深度学习因子在不同指数下的表现，其中 score_v4 因子在中证全指和沪深300上表现尤为突出，而 score_v2 在多个指数中表现稳定。指增组合在中证500上表现最佳，中证1000次之。所有因子和指增组合在2026年均取得正超额收益。报告还介绍了多个深度学习模型的构建与应用，并提醒投资者注意模型的风险性及市场变化带来的影响。