> **来源：[研报客](https://pc.yanbaoke.cn)** # 深度学习因子周报总结 - 2026年06月20日 ## 核心内容概述 本报告总结了2026年6月20日深度学习因子在多个宽基指数上的表现，以及对应的指数增强组合收益情况。报告指出，所有因子及指增组合在2026年以来均获得正超额收益，且表现稳定。 --- ## 主要观点 - **因子表现**： - 在**中证全指**上，score_v4因子今年表现最佳，超额收益为20.87%；score_v3fast因子次之，超额收益为19.76%。 - 在**沪深300**上，score_v2因子表现最佳，超额收益为42.60%；score_v3因子次之，超额收益为39.18%。 - 在**中证500**上，score_v0因子表现最佳，超额收益为19.83%；score_v2因子次之，超额收益为19.64%。 - 在**中证1000**上，score_v0因子表现最佳，超额收益为24.22%；score_v4因子次之，超额收益为23.11%。 - **指增组合表现**： - 近一周，沪深300指增组合超额收益为1.01%，中证500指增组合为-0.29%，中证1000指增组合为1.16%。 - 今年以来，沪深300指增组合超额收益为8.41%，中证500指增组合为12.66%，中证1000指增组合为7.54%。 - 所有指增组合在2026年以来均获得正超额收益，其中中证500指增组合表现最佳。 --- ## 关键信息 ### 1. 深度学习因子说明 - 报告基于多种深度学习模型构建的因子进行收益跟踪，包括： - **score_v0**：使用周度、日度、分钟线、level2和基本面数据集，结合带图结构GRU模型和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，基于ABCM模型。 - **score_v3**：使用周度、日度、分钟线、level2和基本面数据集，结合带图结构GRU模型和ABCM模型。 - **score_v4style**：使用周度、日度、分钟线、level2和基本面数据集，基于StyleNet模型。 - **score_v4**：使用周度、日度、分钟线、level2和基本面数据集，结合带图结构GRU模型、ABCM模型、StyleNet模型和行业轮动。 ### 2. 多头组合构建方式 - **选股范围**：各个宽基指数成分股，剔除北交所股票。 - **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%。 - **交易成本假设**：买入成本为千分之一，卖出成本为千分之二。 - **交易限制**：停牌和涨停不能买入，停牌和跌停不能卖出。 ### 3. 指增组合构建方式 - **使用因子**：score_v4 + 行业轮动模型。 - **组合收益**：根据因子得分构建多头组合，与基准指数进行比较，计算超额收益。 --- ## 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，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重大影响，导致收益亏损。 --- ## 模型介绍 ### 带图结构GRU模型 - 通过构建自适应Attention图结构，捕捉股票间的交互关系。 - 公式表示为： $$ \mathbf{Z} = (\mathbf{I} + \text{softmax}(\text{ReLU}(\mathbf{M M}^T))) \mathbf{X W} $$ 其中： - $X$：GRU模型最后一个cell的输出。 - $M$：由 $X$ 经过全连接变换得到。 - $MM^T$：股票关联关系矩阵，表示股票i对股票j的影响程度。 - $W$：全连接变换。 - $Z$：模型生成的低相关性因子。 ### ABCM模型 - 通过MSE和Rsquare损失函数分离GRU模型中的alpha和风险成分。 - alpha成分：IC高且Rsquare高，具有选股能力和对收益率的解释能力。 - 风险成分：不具有选股能力，但具有对收益率的解释能力。 ### StyleNet模型 - 使用多因子模型思想，分离个股特质性alpha和风格轮动带来的alpha。 - 公式表示为： $$ \alpha = \alpha_{\text{特质}} + \sum_{i} \beta^i \lambda^i $$ 其中： - $\alpha_{\text{特质}}$：个股特质性alpha，长期与未来收益率一致。 - $\beta^i$：第i个风格因子。 - $\lambda^i$：第i个风格因子的收益率。 --- ## 总结 - 所有因子及指增组合在2026年以来均表现良好，获得正超额收益。 - score_v4因子在中证全指和中证1000上表现突出，score_v2在沪深300上表现最佳。 - 指增组合中，中证500表现最好，沪深300其次，中证1000表现相对较弱。 - 投资者应关注模型的动态表现，警惕极端市场环境对模型效果的影响。