报告行业投资评级 报告未明确给出对具体行业的投资评级 [1][4][5][62][69][70][71] 报告的核心观点 报告核心观点为通过深度学习因子（DecompGRU模型）构建的选股及ETF轮动策略在样本外测试中持续取得显著超额收益，同时市场情绪（热度）与估值监控数据揭示了近期资金关注度变化及板块估值状态，为投资者提供量化参考 [1][2][3][10][13][14][24][35][40][41][43][45][46][62][63] 根据相关目录分别进行总结 一、深度学习因子跟踪 - **多头选股组合表现**：基于DecompGRU模型得分TOP200构建的周度多头组合，自2025年3月31日至2026年2月27日，累计绝对收益84.37%，相对中证全指等权超额收益43.11%，2026年2月绝对收益5.41%，超额1.50% [1][10] - **ETF轮动组合表现**：将个股得分聚合为ETF轮动组合，自2025年3月18日至2026年2月27日，累计绝对收益53.40%，相对万得主题ETF指数超额收益17.47%，2026年2月绝对收益9.51%，超额8.18% [1][13][14] 二、情绪因子跟踪 - **宽基指数热度变化**：本周（20260224-20260227）宽基热度变化率最大的是中证1000，相比上周提高3.63%，最小的是中证2000，相比上周降低2.85%，基于宽基热度动量构建的策略在2026年累计收益为5.6% [2][24][62] - **申万行业热度变化**： - 一级行业中，热度正向变化率前五的行业为钢铁、环保、公用事业、计算机、建筑材料；负向变化率前五的行业为食品饮料、商贸零售、纺织服饰、美容护理、社会服务 [2][62] - 二级行业中，热度正向变化率最大的五个行业是农化制品、数字媒体、出版、影视院线、环保设备Ⅱ [2][62] - **概念热度变化**：本周概念热度变化最大的五个概念为化肥、磷化工、培育钻石、稀土永磁、农村电商，其中“高热度概念+低热度个股”组合在2026年累计收益为1.4% [2][40][41][62] 三、市场估值监控 - **宽基估值分位数**：截至2026年2月27日，沪深300、中证500、中证1000的滚动5年历史估值分位数分别为91%、100%、100% [3][43][62][63] - **行业估值分位数（自2015年回溯）**： - 一级行业中，估值处于历史分位数80%以上的包括：电力设备、电子、建筑材料、轻工制造、环保、国防军工、基础化工、商贸零售、钢铁、计算机、煤炭；估值处于历史20%以下的有食品饮料、综合、非银金融 [3][45][62][63] - 二级行业中，估值处于历史分位数80%以上的多达30个行业，包括风电设备、冶钢原料、航天装备、电子化学品、环保设备、软件开发、半导体、生物制品等 [3][46][63] 四、本周事件跟踪 - **股权激励**：本周共发生9起股权激励事件，涉及恒而达、江苏北人、卫宁健康、顺网科技等公司，激励标的物均为股票或期权 [47][50] - **重要股东增减持**：本周共发生18起重要股东增减持事件，其中17起为减持，1起为增持（保龄宝），涉及孚日股份、达意隆、长光华芯等公司 [51][52] - **定增事件**：本周共发生5起定增事件，涉及合康新能、中富通、民德电子、锐新科技、ST人福，拟募集资金总额从约6.43亿元至35亿元不等 [53][54] - **分析师覆盖与评级**：本周分析师首次覆盖12只个股，包括山高环能、博菲电气、万邦达等；上调3只个股评级，包括华绿生物、千禾味业、寒武纪 [55][56][57] - **机构调研**：本周机构调研最多的前20只个股包括风华高科、哈尔斯、晶科能源、杰瑞股份、锡业股份、本钢板材等 [58] - **公司回购**：本周公告回购事件涉及13家公司，其中4家已实施，9家为董事会预案，回购目的多为实施股权激励或员工持股计划，温氏股份计划回购金额最高，达12亿元 [59][60][61]

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[8] * **模型构建思路**：基于趋势分解的时序+截面端到端深度学习模型，用于预测股票未来收益，并据此构建选股组合[8]。 * **模型具体构建过程**：模型架构基于《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》报告[8]。具体构建过程未在本文中详细描述，但应用方式为：使用该模型对股票进行集成打分，每周根据得分最高的股票构建组合[8]。 2. **模型名称：宽基热度动量轮动策略**[21] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度热度变化率的短期动量进行轮动，买入热度上升最快的宽基指数[21]。 * **模型具体构建过程**： 1. 将全A股票按沪深300、中证500、中证1000、中证2000及“其他”分组[16]。 2. 计算每组股票周度的“总热度”指标：对组内所有个股的“总热度”指标（定义见下文情绪因子）进行求和[16]。 3. 计算每组热度指标的周度变化率，并取2周移动平均（MA2）进行平滑[19]。 4. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基组对应的指数（或等权组合），若变化率最大的为“其他”组则空仓[21]。 3. **模型名称：高热度概念+低热度个股选股模型**[39][41] * **模型构建思路**：在每周热度上升最快的概念板块中，选取该概念内市场关注度（热度）最低的个股，利用市场对热门板块内低关注度个股的反应不足或延迟来获取超额收益[38][41]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念[41]。 2. 将这5个概念对应的所有成分股作为选股股票池，并排除股票池中流通市值最小的20%股票[41]。 3. 从每个热门概念中，选出其成分股中“总热度”指标排名最后的10只个股[41]。 4. 等权持有上述筛选出的所有个股，构建“BOTTOM”组合[41]。 模型的回测效果 1. **DecompGRU深度学习选股模型（多头TOP200组合）**[10] * 样本外累计绝对收益：74.91%[10] * 相对全指等权超额收益：38.96%[10] * 最大回撤：10.08%[10] * 绝对收益周度胜率：68.18%[10] * 绝对收益月度胜率：100%[10] * 2026年1月绝对收益：8.99%[10] * 2026年1月超额收益：0.98%[10] 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[13][14] * 样本外累计绝对收益：40.08%[13] * 相对万得主题ETF指数超额收益：5.93%[13] * 最大回撤：7.82%[13] * 绝对收益周度胜率：64.44%[13] * 绝对收益月度胜率：70.00%[13] * 2026年1月绝对收益：10.98%[14] * 2026年1月超额收益：3.37%[14] 3. **宽基热度动量轮动策略**[24] * 2017年以来年化收益率：8.74%[24] * 最大回撤：23.5%[24] * 2026年累计收益：6.6%[24] 4. **高热度概念+低热度个股选股模型（BOTTOM组合）**[42] * 历史年化收益：15.71%[42] * 最大回撤：28.89%[42] * 2026年以来累计收益：3.7%[42] 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：利用同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**： 1. 获取个股每日的浏览、自选与点击次数[15]。 2. 将这三项数据求和[15]。 3. 将该和值除以当日全市场所有股票的该项和值总和，进行归一化[15]。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000][15]。 * **公式**： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数[15]。 2. **因子名称：宽基/行业/概念总热度**[16] * **因子构建思路**：将个股层面的总热度因子向上聚合，得到宽基指数、行业或概念板块层面的整体市场情绪热度指标[15][16]。 * **因子具体构建过程**：对于特定的股票集合$G$（例如某个宽基指数的所有成分股、某个申万行业的所有股票、或某个概念的所有成分股），将其包含的所有个股在$t$日的“个股总热度”值进行求和[16]。 * **公式**： $$集合G的总热度_{t} = \sum_{i \in G} 个股总热度_{i,t}$$ [16] 3. **因子名称：热度变化率（MA2）**[19][28] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化，并平滑处理，以捕捉市场关注度的边际变化趋势[19][28]。 * **因子具体构建过程**： 1. 计算集合$G$在第$w$周的“总热度”值（通常为周五的数值或周均值）[19]。 2. 计算周度热度变化率：$(本周总热度 - 上周总热度) / 上周总热度$[19]。 3. 对计算出的周度变化率序列取2周移动平均（MA2），得到平滑后的热度变化率因子[19][28]。 因子的回测效果 *(注：本报告未提供单个因子的独立分层测试结果，如多空组合收益、IC值、IR等。所有因子效果均通过上述构建的具体策略模型来体现。)*

量化模型与构建方式 1. 模型名称：DecompGRU模型 **模型构建思路**：在GRU基线模型的基础上，通过两个简单的去均值模块实现时序和截面的信息交互上的改进[18] **模型具体构建过程**：模型分别基于IC、加权MSE损失函数训练两个模型[18] 2. 模型名称：多头TOP组合 **模型构建思路**：基于DecompGRU模型得分构建周度多头选股组合[9] **模型具体构建过程**：等权持有集成打分最高的200只股票；每周首个交易日根据上周五收盘后更新的因子值进行周频调仓；选股范围为中证全指；买入时剔除涨跌停、停牌股票，不考虑交易成本；对比基准为WIND全A等权指数[9] 3. 模型名称：ETF轮动组合 **模型构建思路**：将端到端模型的个股得分聚合至ETF，构建ETF轮动组合[12] **模型具体构建过程**：ETF池限定在行业、主题型ETF；若多个ETF跟踪同一指数相同，则保留5日成交额均值最大的一只ETF；调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万；周度不定期调仓，每期持仓ETF数量在2-6只；对比基准为万得ETF指数[12] 模型的回测效果 1. 多头TOP组合 累计绝对收益41.11%，相对全A等权超额13.98%，最大回撤10.08%，周度胜率64.52%，月度胜率100%，10月绝对收益1.78%，10月超额-0.07%[11] 2. ETF轮动组合 累计绝对收益19.06%，相对基准超额-2.00%，最大回撤7.82%，周度胜率62.50%，月度胜率57.14%，10月绝对收益-2.04%，10月超额-1.18%[14][15] 量化因子与构建方式 1. 因子名称：个股总热度指标 **因子构建思路**：从行为的角度探讨在个股层面因有限注意力导致的过度定价与反应不足现象，使用同花顺基于用户行为数据得到的个股热度指标[19] **因子具体构建过程**：股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][19] **因子计算公式**：$$个股总热度 = \frac{浏览次数+自选次数+点击次数}{全市场总次数} \times 10000$$[19] 2. 因子名称：宽基热度变化率 **因子构建思路**：将全A样本按照主流宽基指数分组，对每组成分股总热度指标进行求和，计算周度热度变化率[20][22] **因子具体构建过程**：将全A样本按照沪深300、中证500、中证1000、中证2000以及"其他"来进行分组，对每一组中的成分股总热度指标进行求和处理，得到4个主流宽基指数的热度以及"其他"组热度，计算不同组股票周度热度变化率，并取MA2进行平滑处理[20][22] 3. 因子名称：行业热度变化率 **因子构建思路**：采用相同方法获得行业层面的热度，计算申万一级、二级行业热度的周度变化率MA2[31] **因子具体构建过程**：对每个申万一级、二级行业中的成分股总热度指标进行求和处理，计算每个行业热度的周度变化率，并取MA2进行平滑处理[31] 4. 因子名称：概念热度变化率 **因子构建思路**：采用相同方法获得概念层面的热度，计算每个概念热度的周度变化率[36] **因子具体构建过程**：对每个概念中的成分股总热度指标进行求和处理，计算每个概念热度的周度变化率[36] 因子的回测效果 1. 宽基热度动量组合 2017年来年化收益率8.74%，最大回撤23.5%，2025年组合收益为38.5%，对比基准宽基等权组合收益为32.9%[28] 2. 高热度概念+低热度个股组合 BOTTOM组年化收益15.71%，最大回撤28.89%，2025年来BOTTOM组收益42.1%[41] 3. 本周宽基热度变化率 热度变化率最大的为中证2000，相比上周提高1.55%，最小的为沪深300，相比上周降低2.03%[28][30] 4. 本周行业热度变化率 一级行业中正向变化前5的行业分别为石油石化(提高48.6%)、综合、农林牧渔、建筑材料、煤炭，负向变化前5的行业分别为食品饮料、银行、纺织服饰、商贸零售、有色金属(降低-14.2%)；二级行业中热度正向变化率最大的5个行业是油服工程、航天装备Ⅱ、冶钢原料、文娱用品、元件[35] 5. 本周概念热度变化率 热度变化最大的5个概念为科创次新股(360.2%)、中韩自贸区(183.3%)、青蒿素(82.8%)、家庭医生(74.1%)、云办公(72.7%)[35][36][44]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：DecompGRU模型 - **模型构建思路**：基于趋势分解的时序+截面端到端模型，通过改进GRU基线模型实现时序和截面信息交互[8] - **模型具体构建过程**： 1. 使用两个去均值模块处理时序和截面数据 2. 基于IC和加权MSE损失函数分别训练两个子模型（DecompGRU_IC、DecompGRU_MSE）[14] 3. 输出个股得分并构建组合： - 选股范围：中证全指 - 调仓频率：周频（每周首个交易日调仓） - 组合构建：等权持有得分TOP200股票，剔除涨跌停/停牌股[8] - **模型评价**：通过分解模块增强模型对市场趋势的捕捉能力，实现端到端预测[14] 2. **ETF轮动模型** - **构建思路**：将DecompGRU个股得分聚合至行业/主题ETF[10] - **具体构建**： 1. ETF池筛选标准： - 行业/主题型ETF - 5日成交额均值>2000万，20日日均成交额>1000万 - 同指数ETF保留成交额最大者 2. 持仓规则：每期持有3-6只ETF，周度不定期调仓[10] --- 量化因子与构建方式 1. **情绪热度因子** - **构建思路**：通过同花顺用户行为数据（浏览/自选/点击）构建市场情绪代理指标[18] - **具体构建**： 1. 个股热度计算： $$总热度 = \frac{浏览+自选+点击次数}{全市场总和} \times 10000$$ 取值区间[0,10000][18] 2. 聚合方法： - 宽基热度：按成分股分组（沪深300/中证500/中证1000/中证2000/其他）求和[19] - 行业热度：按申万一级/二级行业分组求和[30] - 概念热度：按概念成分股分组求和[39] - **因子评价**：有效捕捉市场有限注意力导致的定价偏差[17] 2. **热度变化率因子** - **构建过程**： 1. 计算周度热度变化率： $$\Delta H_t = \frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取MA2平滑处理[22] 3. 应用场景： - 宽基轮动：买入变化率最大的宽基（排除"其他"组）[24] - 概念组合：筛选变化率TOP5概念中的低热度个股[42] 3. **估值分位数因子** - **构建方法**： 1. 计算滚动5年PE/PB历史分位数[50] 2. 行业分位数回溯至2015年[53] 3. 输出： - 宽基分位数（沪深300/中证500/中证1000）[52] - 申万一级/二级行业分位数[54] --- 模型回测效果 | 模型/组合 | 累计收益 | 超额收益 | 最大回撤 | 周胜率 | 月胜率 | 测试周期 | |---------------------|----------|----------|----------|--------|--------|----------------| | DecompGRU TOP200 | 24.54% | 9.80% | 10.08% | 72.22% | 100% | 2025/3/31-8/1 [10] | | ETF轮动组合 | 12.97% | 8.65% | 6.16% | 68.42% | 75% | 2025/3/18-8/1 [12] | | 宽基热度轮动策略 | 18.8%* | 1.7%* | 23.5% | - | - | 2017-2025 [27] | | 概念BOTTOM组合 | 27%** | - | 28.89% | - | - | 2025年内 [44] | （*相对宽基等权基准 **年化15.71%） --- 因子回测效果 1. **宽基热度变化率**（2025/8/1）： - 中证500：+10.21% - 中证2000：-6.02% [29] 2. **行业热度变化率**（2025/8/1）： - 正向TOP5：建筑材料(+83.5%)、建筑装饰、社会服务、钢铁、食品饮料 - 负向TOP5：公用事业(-32.5%)、轻工制造、纺织服饰、汽车、房地产 [38] 3. **估值分位数**： - 宽基：中证500(95%) > 中证1000(84%) > 沪深300(70%) [52] - 一级行业高估：电力设备/计算机/银行(>80%) - 一级行业低估：农林牧渔/家电(<20%) [53]