机器学习因子选股月报（2026年7月）

摘要 西 南证券研究院 分析师：祝晨宇执业证号：S1250525100004邮箱：zhcy@swsc.com.cn 表现跟踪：自2019年2月至2026年6月，月频调仓的基础上，GAN_GRU因子在全A范围内IC均值0.1045***，多头组合年化超额收益率17.75%；截至2026年6月29日，GAN_GRU最新一期IC为-0.0499***，近一年IC均值为0.0370***。 相 关研究 1.随机签名方法的时序特征提取与量化投资应用(2026-06-29)2.双轨最优传输分布纠偏与对抗生成式因子挖掘模型(2026-06-17)3.T2RL：端到端深度强化学习因子挖掘与组合优化框架(2026-04-01)4.从眼到手：OpenClaw如何改变投资研究模式(2026-03-22)5.基于BLACK-LITTERMAN模型融合资产择时与风格轮动的资产配置研究(2026-02-26)6.多重周期嵌套下关注多主线与风格轮动再平衡——2026年度资产与基金组合配置策略(2026-01-09)7.ESG投资现状及量化多因子策略跟踪(2025-12-31)8.强化学习驱动下的解耦时序对比选股模型(2025-12-25)9.DAFAT：基于Transformer模型的自适应解决方案(2025-08-29)10.加权影线频率与K线形态因子(2025-08-28) 因子表现：在中信一级行业分类下，测试GAN_GRU因子近期在各个行业内部的表现。截至2026年6月，6月当期因子IC排名前五的行业（除综合）分别为传媒、钢铁、电力及公用事业、家电、交通运输，IC分别为0.3255***、0.2762***、0.2674***、0.2343***以及0.2035***；近一年因子IC均值排名前五的行业（除综合）分别为煤炭、传媒、钢铁、消费者服务、商贸零售行业，IC均值分别为0.1587***、0.1549***、0.1342***、0.1267***以及0.1199***。 截至2026年6月29日，4月当期多头组合超额收益最高的五个行业（除综合）分别为煤炭、电力及公用事业、有色金属、银行、食品饮料行业多头组合相对行业指数超额收益分别为3，74%、2.88%、2.55%、2.43%以及2.11%。 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）分别为食品饮料、消费者服务、电力及公用事业、农林牧渔、钢铁，超额收益分别为1.02%、1.01%、0.89%、0.84%以及0.60%。 2026年7月多头组合：根据因子得分筛选排名前10的股票为启明信息、金杯电工、科美诊断、新巨丰、长青股份、湘电股份、掌趣科技、中集集团、中国铁建、正泰电器。 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3：2026年6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