深度学习因子月报 Meta_Master 因子今年已实现超额收益 36.8% 2025 年 08 月 18 日 ➢ 7 月深度学习选股组合总体录得正向超额收益。DL_EM_Dynamic 因子在中 证 1000 中 RankIC 均值 11.3%, 超额收益 0.4%，Meta_RiskControl 因子在全 A 中均值 RankIC15.5%，全 A 多头组合相对中证 800 超额收益 2.7%， Meta_Master 因子周度 RankIC 均值 18.9%，全 A 多头组合相对中证 800 超额 收益 5.1%。 ➢ DL_EM_Dynamic 因子表现跟踪：7 月 RankIC11.3%，指数增强组合相对 于中证 1000 超额收益 1.3%，今年超额收益 11%。因子介绍：采用矩阵分解算 法从基金选股网络中提取股票的内在属性，分解出基金和股票的内在属性矩阵。 将这些内在属性与 LSTM 生成的因子表示进行拼接，进一步股票静态的内在属性 转为动态内在属性，构建股票的动态市场状态因子，共同输入到 MLP 中，可增 强模型表现。 ➢ Meta_RiskControl 因子表现跟踪：7 月 RankIC ...

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]

量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：衡量股票日内收益分布的偏度特征[4] - 具体构建过程：参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，对常规因子进行正交化处理[10] 2. **因子名称：日内下行波动占比因子** - 构建思路：分解已实现波动中的下行波动部分占比[4] - 具体构建过程：参考《选股因子系列研究（二十五）——高频因子之已实现波动分解》[14] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：捕捉开盘后市场买入意愿的占比特征[4] - 具体构建过程：基于高频数据低频化方法，参考《选股因子系列研究（六十四）》[17] 4. **因子名称：开盘后买入意愿强度因子** - 构建思路：量化开盘后买入意愿的强度[4] - 具体构建过程：同开盘后买入意愿占比因子，但侧重强度计算[21] 5. **因子名称：开盘后大单净买入占比因子** - 构建思路：分析开盘后大单净买入的占比[4] - 具体构建过程：未披露详细公式，但需正交化处理[25] 6. **因子名称：改进反转因子** - 构建思路：优化传统反转因子的计算逻辑[4] - 具体构建过程：未披露具体公式[36] 7. **因子名称：尾盘成交占比因子** - 构建思路：衡量尾盘成交量在总成交中的占比[4] - 具体构建过程：未披露详细公式[37] 8. **因子名称：深度学习因子（改进GRU(50,2)+NN(10)）** - 构建思路：结合GRU神经网络与全连接层预测收益[4] - 具体构建过程：使用GRU(50,2)提取时序特征，NN(10)输出预测值[52] 9. **因子名称：多颗粒度模型（5日标签）** - 构建思路：基于双向AGRU训练多时间颗粒度标签[57] - 具体构建过程：采用5日收益标签训练模型[60] 10. **因子名称：多颗粒度模型（10日标签）** - 构建思路：同5日标签模型，但标签周期延长至10日[60] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.51% - 6月多空收益：1.48% - 2025年多空收益：14.73%[4] 2. **日内下行波动占比因子** - 上周多空收益：-0.04% - 6月多空收益：1.86% - 2025年多空收益：12.84%[4] 3. **开盘后买入意愿占比因子** - 上周多空收益：0.77% - 6月多空收益：1.85% - 2025年多空收益：11.44%[4] 4. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：0.70% - 6月多空收益：3.58% - 2025年多空收益：19.78%[4] 5. **多颗粒度模型（5日标签）** - 上周多空收益：1.56% - 6月多空收益：5.97% - 2025年多空收益：35.45%[4] 量化模型与构建方式 1. **模型名称：中证500 AI增强宽约束组合** - 构建思路：基于多颗粒度模型因子，最大化预期收益[61] - 具体构建过程：目标函数为$$ \max \sum w_i \mu_i $$，其中$w_i$为权重，$\mu_i$为预期超额收益[67] - 约束条件：个股权重≤1%，行业偏离≤1%，市值暴露≤0.3[62] 2. **模型名称：中证1000 AI增强严约束组合** - 构建思路：同中证500模型，但约束更严格[61] - 具体构建过程：增加ROE、SUE等基本面约束[62] 模型回测效果 1. **中证500 AI增强宽约束组合** - 上周超额收益：-0.25% - 6月超额收益：-0.36% - 2025年超额收益：7.95%[10] 2. **中证1000 AI增强严约束组合** - 上周超额收益：-0.21% - 6月超额收益：0.60% - 2025年超额收益：12.99%[10]

量化模型与构建方式 1. 高频因子 1. **因子名称**：日内高频偏度因子 **因子构建思路**：通过分析股票日内收益的偏度特征来捕捉市场情绪和价格波动异常[3][6] **因子具体构建过程**：参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，对常规因子进行正交化处理[11] **因子评价**：长期多空收益稳定，但5月表现较弱[3][6] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：衡量股票下跌波动在总波动中的占比，反映风险特征[3][6] **因子具体构建过程**：基于专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》方法构建[17] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：通过开盘后买入交易量占比捕捉资金流向[3][6] **因子具体构建过程**：采用《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》方法[21] 4. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析大单资金在开盘后的净流入情况[3][6] **因子评价**：2025年月胜率达100%，稳定性突出[7] 2. 深度学习因子 1. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：结合门控循环单元和神经网络提取高频数据时序特征[3][14] **因子评价**：多空收益持续为正但多头超额收益为负[10] 2. **因子名称**：多颗粒度模型（5日标签） **因子构建思路**：基于双向AGRU训练，融合不同时间颗粒度的市场信息[15][66] **因子评价**：2025年多空收益达28.86%，表现最佳[10] 3. AI增强组合模型 **模型名称**：中证500/1000 AI增强组合 **模型构建思路**：以多颗粒度模型因子为核心，通过优化约束条件构建增强组合[69] **模型具体构建过程**： - 目标函数：$$max\sum\mu_{i}w_{i}$$，其中μi为股票预期超额收益[70] - 风险控制模块包含个股/行业约束、市值约束、财务指标约束等[70] - 交易成本假设为双边3‰[71] 回测效果 1. 高频因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | IC(2025) | RankMAE(2025) | |--------------------------|--------------|-------------|-----------------|----------|---------------| | 日内高频偏度因子 | 0.18% | -1.42% | 14.35% | 0.057 | 0.331 | | 开盘后大单净买入占比因子 | 0.31% | -0.33% | 12.32% | 0.039 | 0.324 | | 大单推动涨幅因子 | 0.36% | -0.53% | 4.26% | 0.005 | 0.322 | 2. 深度学习因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | 多头超额(2025) | |--------------------------|--------------|-------------|-----------------|----------------| | GRU(50,2)+NN(10) | 0.09% | 0.11% | 16.01% | -1.81% | | 多颗粒度模型(5日标签) | 0.56% | 0.81% | 28.86% | 9.83% | 3. AI增强组合 | 组合名称 | 上周超额收益 | 5月超额收益 | 2025年超额收益 | |------------------------------|--------------|-------------|----------------| | 中证500 AI增强宽约束组合 | 1.19% | 3.50% | 7.44% | | 中证1000 AI增强严约束组合 | 0.98% | 3.33% | 11.98% |