20260816-华源证券-深度学习因子周报_Score_v3fast因子今年相对中证全指超额35.19_11页_2mb

深度学习因子周报总结（2026年08月16日）

核心内容概述

本报告总结了2026年8月16日发布的《深度学习因子周报》，主要围绕多个深度学习因子在不同指数成分股中的表现及指增组合的超额收益情况进行分析。报告涵盖中证全指、沪深300、中证500和中证1000指数，并提供了近一周、近一月及今年以来的超额收益数据，同时附有模型介绍和风险提示。

主要观点与关键信息

1. 深度学习因子表现

中证全指

• 近一周：score_v4因子表现最佳，超额收益为0.87%；score_v2因子次之，超额收益为0.81%；score_v4style因子表现较弱，超额收益为-0.19%。
• 今年以来：score_v3fast因子表现最好，超额收益为35.19%；score_v4因子次之，超额收益为28.90%；所有因子均获得正超额收益。

沪深300

• 近一周：score_v0因子表现最佳，超额收益为-0.03%；score_v3fast因子表现较差，超额收益为-1.23%。
• 今年以来：score_v2因子表现最好，超额收益为32.56%；score_v4因子次之，超额收益为29.03%；所有因子均获得正超额收益。

中证500

• 近一周：score_v0因子表现最佳，超额收益为0.49%；score_v3fast因子表现较差，超额收益为-0.98%。
• 今年以来：score_v4因子表现最好，超额收益为31.25%；score_v2因子次之，超额收益为23.49%；所有因子均获得正超额收益。

中证1000

• 近一周：score_v4style因子表现最佳，超额收益为-0.09%；score_v3fast因子表现较差，超额收益为-0.91%。
• 今年以来：score_v4因子表现最好，超额收益为32.59%；score_v4style因子次之，超额收益为31.17%；所有因子均获得正超额收益。

2. 指增组合表现

• 近一周：沪深300指增组合超额收益为0.00%；中证500指增组合超额收益为0.56%；中证1000指增组合超额收益为-0.21%。
• 今年以来：沪深300指增组合超额收益为6.02%；中证500指增组合超额收益为15.49%；中证1000指增组合超额收益为9.90%。
• 整体表现：中证500指增组合表现最好，中证1000指增组合次之，所有指增组合均获得正超额收益。

3. 模型说明

• 带图结构GRU模型：通过构建自适应Attention图结构，捕捉股票之间的交互关系，生成低相关性的弱因子。
• ABCM模型：用于分离GRU模型提取信息中的alpha成分和风险成分，其中alpha成分具有选股能力和对未来收益率的解释能力。
• StyleNet模型：用于分离广义alpha成分中的个股特质性alpha和轮动带来的alpha成分，模型形式为：
  $$
  alpha = \alpha + \sum_{i} \beta^{i} \lambda^{i}
  $$
  其中，$\alpha$ 表示个股特质性alpha，$\beta^{i}$ 表示第i个风格因子，$\lambda^{i}$ 表示第i个风格因子的收益率。

4. 风险提示

• 量化模型基于历史数据分析，未来可能失效，需持续跟踪模型表现。
• 极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。

总结

本报告展示了多个深度学习因子在不同指数成分股中的表现，以及基于这些因子构建的指数增强组合的收益情况。所有因子和指增组合在2026年以来均实现了正超额收益，其中score_v3fast和score_v4因子在中证全指和沪深300中表现突出。模型方面，带图结构GRU、ABCM和StyleNet分别用于捕捉股票交互关系、分离alpha和风险成分、以及识别风格因子。报告提醒投资者注意模型的潜在风险，特别是在市场剧烈波动时可能带来的影响。