【行业研究报告】-深度学习因子月报：Meta_Master因子5月实现超额收益3.9%

深度学习因子月报
Meta_Master因子5月实现超额收益3.9%
Meta_Master因子5月实现超额收益3.9%
2025年06月11日
➢5月深度学习选股组合总体录得正向超额收益。DL_EM_Dynamic因子在中
证1000中RankIC均值12.1%,超额收益3.5%，Meta_RiskControl因子在全
A中均值RankIC12.8%，全A多头组合相对中证800超额收益2.7%，
Meta_Master因子周度RankIC均值14.7%，全A多头组合相对中证800超额
收益3.9%。
➢DL_EM_Dynamic因子表现跟踪：5月RankIC12.1%，指数增强组合相对
于中证1000超额收益0.6%，今年超额收益10.4%。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：5月RankIC12.8%，沪深300，中证
500，中证1000指数增强组合超额收益分别为-0.7%，0.8%与0.5%，本年超
额收益分别为3.0%，4.8%与8.3%。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：5月RankIC14.7%，沪深300，中证500，
中证1000指数增强组合超额收益分别为-0.5%，0.5%与0.4%，本年超额收益
分别为4.8%，3.3%与5.0%。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。
➢深度学习可转债因子跟踪：5月偏股，平衡，偏债内因子RankIC分别为
11%，9.5%与3.9%，top50组合收益分别为1.7%，2.6%与1.7%，超额收益
分别为0.1%，1.0%与0.2%。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。
➢风险提示：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。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。
相关研究