深度学习因子月报：META_MASTER因子今年已实现超额收益36.8%

　　7 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11.3%, 超额收益0.4%，Meta_RiskControl 因子在全A 中均值RankIC15.5%，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18.9%，全A 多头组合相对中证800 超额收益5.1%。

    　　DL_EM_Dynamic 因子表现跟踪：7 月RankIC11.3%，指数增强组合相对于中证1000 超额收益1.3%，今年超额收益11%。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：7 月RankIC15.5%，沪深300，中证500，中证1000 指数增强组合超额收益分别为1.9%，1.4%与1.3%，今年超额收益分别为6.4%，4.4%与9.3%。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：7 月RankIC9.1%，沪深300，中证500，中证1000 指数增强组合超额收益分别为2%，1.6%与1.4%，本年超额收益分别为7.9%，5.5%与8.1%。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：7 月在偏债型，平衡型，偏股型转债中RankIC分别为9.0%，9.5%与8.8%，top50 组合收益分别为3.3%，3.8%与5.8%，超额收益分别为-0.9%，-0.4%与1.5%。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 机构：民生证券股份有限公司 研究员：叶尔乐/韵天雨 日期：2025-08-18

*免责声明：文章内容仅供参考，不构成投资建议

*风险提示：股市有风险，入市需谨慎