20260830-华源证券-深度学习因子周报_Score_v5因子今年相对中证全指超额40.22_11页_1mb

报告摘要

本报告对2026年8月30日的深度学习因子表现及指数增强组合收益进行跟踪分析，主要基于中证全指、沪深300、中证500和中证1000等宽基指数，评估不同因子在这些指数成分股中的超额收益表现，并结合模型构建方式与风险提示进行总结。

近一周表现：
- 中证全指：score_v4（0.63%） > score_v2（0.43%） > score_v4style（-0.36%）
- 沪深300：score_v3fast（0.42%） > score_v2（-0.34%） > score_v1（-0.41%）
- 中证500：score_v2（0.28%） > score_v4（0.11%） > score_v1（-0.62%）
- 中证1000：score_v5（1.09%） > score_v3fast（1.03%） > score_v2（0.20%）
今年以来表现：
- 中证全指：score_v5（40.22%） > score_v3fast（36.81%） > score_v4（34.57%）
- 沪深300：score_v1（35.34%） > score_v2（32.77%） > score_v3fast（29.68%）
- 中证500：score_v4（36.28%） > score_v5（35.93%） > score_v3fast（25.27%）
- 中证1000：score_v3fast（33.90%） > score_v5（32.43%） > score_v4（31.94%）
总体趋势：
- 所有因子在2026年以来均实现正超额收益。
- score_v5因子在多个指数中表现突出，尤其在中证全指和中证1000中超额收益较高。

因子名称	使用数据集	使用模型
score_v1	周度、日度、分钟线、level2和基本面数据集	门控网络
score_v2	周度、日度、分钟线、level2和基本面数据集	带图结构GRU模型
score_v3fast	周度、日度、分钟线、level2和基本面数据集	ABCM模型
score_v4style	周度、日度、分钟线、level2和基本面数据集	StyleNet模型
score_v4	周度、日度、分钟线、level2和基本面数据集	带图结构GRU模型+ABCM模型+StyleNet模型+行业轮动
score_v5	周度、日度、分钟线、level2和基本面数据集	score_v1、v2、v3fast、v4style+行业轮动

带图结构GRU模型：
- 构建自适应 Attention 图结构，捕捉股票间交互关系。
- 公式：$$ \boldsymbol {Z} = (\boldsymbol {I} + \text { softmax } (\text { ReLU } (\boldsymbol {M M} ^ {T}))) \boldsymbol {X W} $$
ABCM模型：
- 通过 MSE 和 Rsquare 损失分离 alpha 和风险成分。
- alpha 成分具有选股能力和对未来收益率解释能力。
StyleNet模型：
- 分离特质性 alpha 与风格轮动带来的 alpha。
- 公式：$$ \boldsymbol {a l p h a} = \alpha + \sum_ {i} \boldsymbol {\beta} ^ {i} \lambda^ {i} $$