> **来源：[研报客](https://pc.yanbaoke.cn)** # 深度学习因子周报总结（2026年08月30日） ## 核心内容概述 本报告对2026年8月30日的深度学习因子表现及指数增强组合收益进行跟踪分析，主要基于中证全指、沪深300、中证500和中证1000等宽基指数，评估不同因子在这些指数成分股中的超额收益表现，并结合模型构建方式与风险提示进行总结。 --- ## 主要观点 ### 1. 深度学习因子表现 - **近一周表现**： - 中证全指：score_v4（0.63%） > score_v2（0.43%） > score_v4style（-0.36%） - 沪深300：score_v3fast（0.42%） > score_v2（-0.34%） > score_v1（-0.41%） - 中证500：score_v2（0.28%） > score_v4（0.11%） > score_v1（-0.62%） - 中证1000：score_v5（1.09%） > score_v3fast（1.03%） > score_v2（0.20%） - **今年以来表现**： - 中证全指：score_v5（40.22%） > score_v3fast（36.81%） > score_v4（34.57%） - 沪深300：score_v1（35.34%） > score_v2（32.77%） > score_v3fast（29.68%） - 中证500：score_v4（36.28%） > score_v5（35.93%） > score_v3fast（25.27%） - 中证1000：score_v3fast（33.90%） > score_v5（32.43%） > score_v4（31.94%） - **总体趋势**： - 所有因子在2026年以来均实现正超额收益。 - score_v5因子在多个指数中表现突出，尤其在中证全指和中证1000中超额收益较高。 --- ## 关键信息 ### 1. 因子说明 | 因子名称 | 使用数据集 | 使用模型 | |----------|------------|----------| | score_v1 | 周度、日度、分钟线、level2和基本面数据集 | 门控网络 | | score_v2 | 周度、日度、分钟线、level2和基本面数据集 | 带图结构GRU模型 | | score_v3fast | 周度、日度、分钟线、level2和基本面数据集 | ABCM模型 | | score_v4style | 周度、日度、分钟线、level2和基本面数据集 | StyleNet模型 | | score_v4 | 周度、日度、分钟线、level2和基本面数据集 | 带图结构GRU模型+ABCM模型+StyleNet模型+行业轮动 | | score_v5 | 周度、日度、分钟线、level2和基本面数据集 | score_v1、v2、v3fast、v4style+行业轮动 | ### 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和中证1000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。 - **交易方式**：使用 VWAP 价格进行交易，限制换手率和个股权重偏离。 ### 3. 指增组合表现 | 指数 | 近一周 | 近一月 | 今年以来 | |------|--------|--------|----------| | 沪深300 | 0.00% | 6.01% | 7.01% | | 中证500 | -0.11% | 4.04% | 13.40% | | 中证1000 | 0.98% | 2.75% | 13.29% | - **今年以来表现**： - 中证500指增组合表现最佳。 - 中证1000指增组合次之。 - 所有指增组合均实现正超额收益。 --- ## 风险提示 1. 量化模型基于历史数据构建，未来可能存在失效风险，建议投资者持续跟踪模型表现。 2. 极端市场环境可能对模型效果产生重大影响，导致收益波动甚至亏损。 --- ## 模型简介 - **带图结构GRU模型**： - 构建自适应 Attention 图结构，捕捉股票间交互关系。 - 公式：$$ \boldsymbol {Z} = (\boldsymbol {I} + \text { softmax } (\text { ReLU } (\boldsymbol {M M} ^ {T}))) \boldsymbol {X W} $$ - **ABCM模型**： - 通过 MSE 和 Rsquare 损失分离 alpha 和风险成分。 - alpha 成分具有选股能力和对未来收益率解释能力。 - **StyleNet模型**： - 分离特质性 alpha 与风格轮动带来的 alpha。 - 公式：$$ \boldsymbol {a l p h a} = \alpha + \sum_ {i} \boldsymbol {\beta} ^ {i} \lambda^ {i} $$ --- ## 投资建议 - 本报告未提供具体投资评级，但可根据因子表现判断其在不同指数中的相对优势。 - 投资者应结合自身风险偏好与投资目标，综合考虑因子表现与市场环境，谨慎决策。 --- ## 附注 - 本报告为华源证券研究所发布，仅供内部客户参考。 - 投资者应独立评估报告内容，不依赖单一指标作出投资决策。 - 本报告不构成任何投资建议或承诺，不承担相关法律责任。