（来源：尔乐量化）
➤ 1月深度学习选股组合总体录得正向超额收益。续回暖。
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。
➤ 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。
➤ 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。
➤ 基于研报覆盖度调整的指数增强组合跟踪：沪深300分域选股、中证500分域选股、中证1000分域选股12月超额收益分别为2.84%、4.84%和4.86%，今年的超额收益分别为9.28%、14.75%和9.18%。
策略介绍：成长和质量类因子在研报覆盖度高的域内超额收益更高，行为、情绪等类因子在研报覆盖度域内表现更佳。在研报覆盖度高和低的域内分别选用合适因子进行增强，效果好于统一的原始因子选股。
➤ 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。
01
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。
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。
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。
02
2.1 DL_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？》。
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。
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。
2.2 Meta_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？》。
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，回测采用次日vwap价格，交易成本为双边千分之二。
Meta_RiskControl因子沪深300增强组合2025年1月录得超额收益0.2%，自2019年以来年化收益20.1%，年化超额收益15.0%，信息比率1.58，超额收益累计最大回撤-5.8%。最新因子打分前50股票如下：
Meta_RiskControl因子中证500增强组合2025年1月录得超额收益0.2%，自2019年以来年化收益26.1%，年化超额收益19.2%，信息比率1.97，超额收益累计最大回撤-9.3%。最新因子打分前50股票如下：
Meta_RiskControl因子中证1000增强组合2025年1月录得超额收益0.13%，自2019年以来年化收益34.1%，年化超额收益27%，信息比率2.36，超额收益累计最大回撤-10.2%。最新因子打分前50股票如下：
2.3 Meta_Master因子
将市场信息纳入模型中进行训练，相比Transformer收益预测模型可以获得稳定提升。Tong Li等人在2024年发表的论文中提出了一个名为MASTER（Market-Guided Stock Transformer）的新模型，旨在捕获瞬时和跨时间的股票相关性，并利用市场信息进行自动特征选择。我们对原论文的数据部分进行改进后，纳入沪深300、中证500与中证1000指数量价刻画市场状态，对MASTER模型效果进行实证，在保持其他设定不变的情况下，MASTER模型因子RankIC为10.3%，全A多头组合相对中证800年化多头超额收益达26.0%，大幅打败基线Transformer模型。
进一步利用深度风险模型计算新的市场状态，并替换损失函数和训练框架，获得了进一步提升。宽基指数最近的量价本质上只刻画了市场中大盘及中盘股最近的牛熊状态，然而市场每轮的牛熊背后驱动逻辑不同，市场偏好的风格也不同，所以我们需要理解市场最近的偏好以进一步刻画市场状态。深度风险因子相比barra风格因子对于市场收益的解释度提升5%，提升较为明显。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。在模型的训练流程及损失函数等方面继续改进，最终因子效果提升明显。对于损失函数，我们利用加权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。在模型的训练流程上，我们可以利用在线的元增量学习对于模型进行定期更新。元增量学习旨在根据最近的数据分布对数据与模型进行适应，从而快速掌握近期市场规律，适应动态变化的市场。具体可参见报告《量化专题报告：深度学习如何自适应市场状态以提升模型稳健性？》。
组合构建：利用Meta_Master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，回测采用次日vwap价格，交易成本为双边千分之二。
Meta_Master因子沪深300增强组合2025年1月录得超额收益1.1%，自2019年以来年化收益22.0%，年化超额收益17.5%，信息比率2.09，超额收益累计最大回撤-7.2%。最新因子打分前50股票如下：
Meta_Master因子中证500增强组合2025年1月录得超额收益1.4%，自2019年以来年化收益23.8%，年化超额收益18.2%，信息比率1.9，超额收益累计最大回撤-5.8%。最新因子打分前50股票如下：
Meta_Master因子中证1000增强组合2025年1月录得超额收益0.9%，自2019年以来年化收益30.7%，年化超额收益25.2%，信息比率2.33，超额收益累计最大回撤-8.8%。最新因子打分前50股票如下：
2.4 深度学习可转债因子
将深度学习应用于可转债投资，相对传统量化可转债投资策略收益得到显著提升。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，利用深度神经网络，学习可转债复杂非线性的市场定价逻辑，构建新的投资策略。门控循环单元(Gated Recurrent Unit, GRU)是一种改进的RNN架构，旨在解决传统RNN中的梯度消失问题，并在计算效率上有一定优势。仅考虑量价的GRU模型分组回测效果欠佳，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。具体可参见报告《量化专题报告：从传统策略到深度学习的可转债投资》。
深度学习可转债因子最近表现尚可。按照平底溢价率将转债分为偏债型，平衡型与偏股型，平衡+偏债转债策略2021年以来top50组合年化收益19.6%，2025年1月录得2.5%绝对收益。偏股，平衡，偏债内top50组合年化收益分别为13.2%，11.8%，12.7%。一月份分别录得5.4%，3.4%与2.4%绝对收益。
各类型转债2025年1月超额收益有所差异。平衡+偏债转债策略2021年以来top50组合年化超额收益10.9%，2025年1月录得2.5%超额收益。偏股，平衡，偏债内top50组合年化超额收益分别为5.8%，4.0%，4.4%。一月份分别录得2.2%，0.2%与-0.7%的超额收益。
深度学习可转债因子继续偏好高评级转债，最新截面各类型转债top50打分数据如下：
1）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。
2）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。
报告信息：
韵天雨 S0100524120004 yuntianyu@mszq.com
本文来自民生证券研究院于2025年2月24日发布的报告《深度学习风险控制因子一月实现超额收益5.1%》，详细内容请阅读报告原文。
《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供民生证券的专业投资者参考，完整的投资观点应以民生证券研究院发布的完整报告为准。若您并非民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。
免责声明
民生证券股份有限公司（以下简称“本公司”）具有中国证监会许可的证券投资咨询业务资格。本报告仅供本公司境内客户使用。本公司不会因接收人收到本报告而视其为客户。本报告仅为参考之用，并不构成对客户的投资建议，不应被视为买卖任何证券、金融工具的要约或要约邀请。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，客户应当充分考虑自身特定状况，不应单纯依靠本报告所载的内容而取代个人的独立判断。在任何情况下，本公司不对任何人因使用本报告中的任何内容而导致的任何可能的损失负任何责任。
在法律允许的情况下，本公司及其附属机构可能持有报告中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问、咨询服务等相关服务，本公司的员工可能担任本报告所提及的公司的董事。客户应充分考虑可能存在的利益冲突，勿将本报告作为投资决策的唯一参考依据。
