机器学习因子选股月报（2025年8月）

摘要 西 南证券研究院 联系人：祝晨宇邮箱：zhcy@swsc.com.cn 表现跟踪：自2019年1月至2025年7月，月频调仓的基础上，GAN_GRU因子在全A范围内IC均值11.43%，多头组合年化超额收益率24.86%；截至2025年7月28日，GAN_GRU最新一期IC为9.27%，近一年IC均值为10.97%。 相 关研究 1.可转债K线看跌信号与交易增强策略——量化方法在债券研究中的应用四(2025-06-09)2.基于历史K线形态的因子选股研究(2025-05-26)3.科技成长产业变革趋势下基金产品投资策略评价与优选(2025-05-26)4.PINN信息约束与时序截面双流网络选股模型(2025-04-09)5.基于产业链和交易结构的豆粕期货择时框架(2025-03-19)6.可转债K线技术分析与K线形态因子——量化方法在债券研究中的应用三(2025-03-14)7.识时通变：宏微同频成长价值风格轮动策略(2025-01-10)8.超额收益如何回归？——2025年金融工程策略报告(2025-01-06)9.ESG投资概述及其在多因子策略中的应用(2024-12-11)10.价格形成路径与趋势清晰度因子(2024-11-08) 因子表现：在申万一级行业分类下，测试GAN_GRU因子近期在各个行业内部的表现。截至2025年7月，7月当期因子IC排名前五的行业（除综合）分别为家用电器、非银金融、商贸零售、钢铁、纺织服饰，IC分别为27.00%、23.08%、20.01%、14.83%以及13.64%；近一年因子IC均值排名前五的行业（除综合）分别为公用事业、商贸零售、非银金融、钢铁、通信行业，IC均值分别为14.43%、13.33%、13.28%、13.23%以及12.36%。 截至2025年7月，7月当期多头组合超额收益最高的五个行业（除综合）分别为纺织服饰、公用事业、汽车、非银金融、医药生物，多头组合相对行业指数超额收益分别为5.19%、3.62%、3.29%、2.56%以及1.47%。此外在30个申万一级行业（除综合）中，有9个行业多头组合未跑赢行业指数。近一年来看，多头组合月平均超额收益最高的五个行业（除综合）分别为家用电器、建筑材料、纺织服饰、农林牧渔、公用事业，超额收益分别为5.44%、4.70%、4.19%、4.09%以及3.92%。且30个申万一级行业（除综合）中，GAN_GRU因子多头组合近一年均跑赢对应申万一级行业指数。 2025年8月多头组合：根据最新一期因子值筛选出排名前十的多头组合为：裕同科技、青山纸业、华绿生物、读者传媒、凤凰股份、键邦股份、史丹利、爱科科技、江苏索普、同和药业。 风险提示：本报告结论完全基于公开的历史数据，若未来市场环境发生变化，量化因子的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确风险。文中根据量化因子得到的个股预测结果不构成投资收益的保证或投资建议，为因子含义阐述以及有效性的进一步检验，投资者需充分认知自身风险偏好以及风险承受能力，市场有风险，投资需谨慎。 目录 1前言..................................................................................................................................................................................................................12 GAN_GRU模型简介.......................................................................................................................................................................................12.1 GRU模型基本假设................................................................................................................................................................................12.2 GAN模型简介.........................................................................................................................................................................................22.3 GAN特征生成模型构建.......................................................................................................................................................................43 GAN_GRU因子表现.......................................................................................................................................................................................64 GAN_GRU因子多头组合..............................................................................................................................................................................75风险提示.........................................................................................................................................................................................................8 图目录 图1：深度学习选股模型结构.......................................................................................................................................................................2图2：生成对抗网络（GAN）模型示意......................................................................................................................................................4图3：卷积神经网络(CNN)模型示意............................................................................................................................................................5图4：GAN_GRU模型示意..............................................................................................................................................................................5图5：GAN_GRU因子各行业近期IC表现..................................................................................................................................................6图6：GAN_GRU因子各行业近期多头组合表现......................................................................................................................................7 表目录 表1：深度学习选股量价特征表..................................................................................................................................................................1表2：GAN_GRU因子历史表现.....................................................................................................................................................................6表3：2025年7月末模型输出各行业排名第一个股..............................................................................................................................7表4：因子得分排名前十的个股..................................................................................................................................................................8 1前言 本篇，我们基于西南金工前期发布报告《量价时序特征挖掘模型在深度学习因子中的应用》（2024年7月11日）中提到的GAN_GRU模型，定期更新GAN_GRU因子自2024年以来表现情况。其中GAN_GRU因子为利用生成式对抗神经网络GAN模型进行量价时序特征处理后再利用GRU模型进行时序特征编码得到的选股因子。 2GAN_GRU模型简介 2.1GRU模 型基本假设 前期报告《量价时序特征挖掘模型在深度学习因子中的应用》中，主要构建了GRU+MLP的神经网络股票收益预测基本模型，其中模型细节如下： 量 价特征：包括收盘价、开盘价、成交量、换手率等在内的18个量价特征。 调 仓频率：以月频调仓方式进行预测和回测。 训 练与预测方式： （1）训练数据及输入特征设定：所有个股过去400天内的18个量价特征，每5个交易日