深度学习因子与组合月报：深度学习风险控制因子一月实现超额收益5.1%

深度学习风险控制因子一月实现超额收益5.1% 2025年02月24日 ➢1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1.2%,超额收益-1.7%，Meta_RiskControl因子在全A中 均 值RankIC6.1%，全A多 头 组 合 相 对 中 证800超 额 收 益5.1%，Meta_Master因子周度RankIC均值5.8%，全A多头组合相对中证800超额收益4.4%。 ➢DL_EM_Dynamic因子表现跟踪：1月RankIC1.2%，指数增强组合相对于中证1000超额收益0.2%，今年超额收益0.2%。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。 分析师叶尔乐执业证书：S0100522110002邮箱：yeerle@mszq.com 分析师韵天雨执业证书：S0100524120004邮箱：yuntianyu@mszq.com 相关研究 ➢Meta_RiskControl因子表现跟踪：1月RankIC6.1%，沪深300，中证500，中证1000指数增强组合超额收益分别为0.2%，0.2%与0.13%，本年超额收益分别为0.2%，0.2%与0.13%。因子介绍：将传统深度学习模型的输出乘以对应股票的因子暴露，在损失函数作为惩罚项；鉴于元增量学习具有对于市场变化快速适应的能力，将这一框架与模型进行结合。将底层模型改为加入风格输入后的ALSTM模型，并在损失函数中加入风格偏离的控制，在外层沿用元增量学习框架。 1.量化周报：流动性继续保持扩张-2025/02/232.量化专题报告：研报+公告+调研+量价全数据智能投研AI构建-2025/02/183.量化分析报告：指数产品趋势展望：因子投资的驱动与抑制因素-2025/02/164.量化周报：多头力量继续主导-2025/02/165.基金分析报告：孙子兵法基金池202502：未知收益策略保持超额收益-2025/02/13 ➢Meta_Master因子表现跟踪：1月RankIC5.8%，沪深300，中证500，中证1000指数增强组合超额收益分别为1.1%，1.4%与0.9%，本年超额收益分别为1.1%，1.4%与0.9%。因子介绍：利用深度风险模型计算新的市场状态，利用近期上涨最好股票的风格来衡量近期的市场风格，共计构建120个新特征代表市场状态；损失函数替换为加权MSE来放大多头端的误差以提高模型在多头端预测的准确率；利用在线的元增量学习对于模型进行定期更新，多模型赚取收益弹性。 ➢深度学习可转债因子跟踪：1月偏股，平衡，偏债内因子RankIC分别为3%，3.2%与10.5%，top50组合收益分别为5.4%，3.4%与2.4%，超额收益2.2%，0.2%与-0.7%。因子介绍：针对可转债传统投资策略近年来超额收益逐渐衰减的问题，利用GRU深度神经网络，学习可转债复杂的非线性的市场定价逻辑，构建新的投资策略。将可转债特有的时序因子引入到GRU模型中，并且将转债截面属性因子与GRU模型输出拼接后预测未来收益，模型表现提升显著。 ➢风险提示：量化结论基于历史统计，如未来环境发生变化存在失效可能。选股模型结论不构成投资建议，实际投资还需要考虑外部市场环境、估值等因素并进一步评估。 目录 1深度学习因子近期表现概览......................................................................................................................................32各因子介绍和指数增强组合表现...............................................................................................................................62.1 DL_EM_Dynamic因子......................................................................................................................................................................62.2 Meta_RiskControl因子...................................................................................................................................................................82.3 Meta_Master因子..........................................................................................................................................................................122.4深度学习可转债因子.......................................................................................................................................................................173风险提示..............................................................................................................................................................22插图目录..................................................................................................................................................................23表格目录..................................................................................................................................................................23 1深度学习因子近期表现概览 2025年1月深度学习因子表现较为稳定： DL_EM_Dynamic因子在中证1000中RankIC均值1.2%,； Meta_RiskControl因子在全A中均值RankIC6.1%； Meta_Master因子周度RankIC均值5.8%。 3个因子多空收益分别为-1.5%，1.4%与11%。多头超额收益（全A基准为中证800）分别为-1.7%，5.1%与4.4%。 深度学习可转债因子RankIC-3.1%，在偏债型，平衡型，偏股型转债中RankIC分别为10.5%，3.2%与3%。多头超额（相对于中证转债）收益为-0.7%，在偏债型，平衡型，偏股型转债中超额收益分别为-0.9%，-0.4%与4.9%。 回顾最近一年的因子表现，相比2019年以来的历史表现，因子表现有所下降。从超额收益的表现来看，其中Meta_Riskcontrol因子在全A中最近一年表现未下降，然而在宽基指数中所有因子普遍不如历史表现。 DL_EM_Dynamic因子在1月录得3.5%的回报率，对于中证1000超额收益-1.7%，在中证1000内RankIC1.2%，多头组合净值回升，超额收益持续震荡，2月份期待回暖。 资料来源：wind，民生证券研究院 Meta_RiskControl因子的全A多头组合1月份录得了9.9%的回报率，对于中证800超额收益5.1%，在全A内RankIC6.1%，多头组合净值回升，超额收益继续创新高。 资料来源：wind，民生证券研究院 Meta_Master因子的全A多头组合1月份录得了9.0%的回报率，对于中证800超额收益4.3%，在全A内RankIC5.8%，多头组合净值回升，超额收益继续创新高。 资料来源：wind，民生证券研究院 2各因子介绍和指数增强组合表现 2.1DL_EM_Dynamic因子 利用公募持仓生成深度学习嵌入输入：采用矩阵分解的办法，从基金选股网络中提取股票的内在属性，来影响因子对于不同股票的预测规律。矩阵分解基于基金对于股票的投资行为，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，共同输入到MLP中，可增强模型表现。 利用基金年报、半年报获得的股票内在属性半年一更新，较为静态。但经验告诉我们，市场是动态的，它在不同的时间段对不同的股票内在属性的偏好是不同的，所以我们需要将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，即计算个股内在属性与当天市场热度风格的相似度。这一因子本身并无选股能力，但与上述模型拼接后，生成更为有效的DL_EM_Dynamic因子。具体可参见《量化专题报告：深度学习如何利用公募持仓网络优化选股效果？》。 资料来源：民生证券研究院绘制 组合构建：按照之前报告中的方法，可根据因子值构建中证1000指数增强组合，约束跟踪误差为5%，行业主动暴露±0.02，风格暴露±0.5，个股约束3%。周度调仓，回测采用次日vwap价格，交易成本为双边千分之二。 资料来源：wind，民生证券研究院 DL_EM_Dynamic因子中证1000指数增强组合2025年一月录得超额收益0.2%。组合自2019年以来年化收益29.7%，年化超额收益23.4%，信息比率2.03，超额收益累计最大回撤-10.1%。下表为最新打分前50股票。 2.2Meta_RiskControl因子 回顾历史我们发现，深度学习因子的回撤大都发生在某些风格因子变化较快的时刻。从而，一个自然的想法就是在深度学习模型中加入对于因子暴露的控制。我们将模型的输出乘以对应股票的因子暴露，一起作为output，并在loss函数中体现。具体地，我们用预测label的多头部分风格暴露减去空头部分风格暴露，并在IC的基础上添加对于风格偏离与风格动量的惩罚作为最终的损失函数。 鉴于元增量学习具有对于市场变化快速适应的能力，我们可以将这一框架与模型进行结合。将底层模型改为加入风格输入后的ALSTM模型，并在损失函数中加入风格偏离的控制，在外层沿用在《量化专题报告：从增量学习到元学习—深度学习训练新框架》中提出的元增量学习框架。综合来说，应用加入风格惩罚的元增量学习模型可以较好地控制模型回撤。重新对模型多头端进行风格分析，发现模型的风格偏离降低，且风格波动减小，帮助模型控制了风险具体可参见《量化专题报告：深度学习如何控制策略风险？》。 资料来源：民生证券研究院绘制 组合构建：利用Meta_RiskControl因子分别构建沪深300，中证500与中证1000指数增强组合。只限制市值偏离为±0.5，行业偏离为±0.02，个股权重最大为基准权重的5倍。周度调仓，回测采用次