Meta_Master因子今年已實現超額收益36.8% | 民生金工

（來源：爾樂量化）

➤ 7月深度學習選股組合總體錄得正向超額收益。

DL_EM_Dynamic因子在中證1000中RankIC均值11.3%, 超額收益0.4%，Meta_RiskControl因子在全A中均值RankIC15.5%，全A多頭組合相對中證800超額收益2.7%，Meta_Master因子周度RankIC均值18.9%，全A多頭組合相對中證800超額收益5.1%。

➤ DL_EM_Dynamic因子表現跟蹤：7月RankIC11.3%，指數增強組合相對於中證1000超額收益1.3%，今年超額收益11%。

因子介紹：採用矩陣分解算法從基金選股網絡中提取股票的內在屬性，分解出基金和股票的內在屬性矩陣。將這些內在屬性與LSTM生成的因子表示進行拼接，進一步股票靜態的內在屬性轉為動態內在屬性，構建股票的動態市場狀態因子，共同輸入到MLP中，可增強模型表現。

➤ Meta_RiskControl因子表現跟蹤：7月RankIC15.5%，滬深300，中證500，中證1000指數增強組合超額收益分別為1.9%，1.4%與1.3%，今年超額收益分別為6.4%，4.4%與9.3%。

因子介紹：將傳統深度學習模型的輸出乘以對應股票的因子暴露，在損失函數作為懲罰項；鑑於元增量學習具有對於市場變化快速適應的能力，將這一框架與模型進行結合。將底層模型改為加入風格輸入后的ALSTM模型，並在損失函數中加入風格偏離的控制，在外層沿用元增量學習框架。

➤ Meta_Master因子表現跟蹤：7月RankIC9.1%，滬深300，中證500，中證1000指數增強組合超額收益分別為2%，1.6%與1.4%，本年超額收益分別為7.9%，5.5%與8.1%。

因子介紹：利用深度風險模型計算新的市場狀態，利用近期上漲最好股票的風格來衡量近期的市場風格，共計構建120個新特徵代表市場狀態；損失函數替換為加權MSE來放大多頭端的誤差以提高模型在多頭端預測的準確率；利用在線的元增量學習對於模型進行定期更新，多模型賺取收益彈性。

➤ 深度學習可轉債因子跟蹤：7月在偏債型，平衡型，偏股型轉債中RankIC分別為9.0%，9.5%與8.8%，top50組合收益分別為3.3%，3.8%與5.8%，超額收益分別為-0.9%，-0.4%與1.5%。

因子介紹：針對可轉債傳統投資策略近年來超額收益逐漸衰減的問題，利用GRU深度神經網絡，學習可轉債複雜的非線性的市場定價邏輯，構建新的投資策略。將可轉債特有的時序因子引入到GRU模型中，並且將轉債截面屬性因子與GRU模型輸出拼接后預測未來收益，模型表現提升顯著。

01

2025年7月深度學習因子表現較為穩定：

DL_EM_Dynamic因子在中證1000中RankIC均值11.3%；

Meta_RiskControl因子在全A中RankIC均值15.5%；

Meta_Master因子周度RankIC均值18.9%。

3個因子多空收益分別為1.4%，5.2%與5.4%。多頭超額收益（全A因子基準為中證800）分別為0.4%，2.7%與5.1%。

深度學習可轉債因子RankIC10.1%，在偏債型，平衡型，偏股型轉債中RankIC分別為9.0%，9.5%與8.8%。多頭超額（相對於中證轉債）收益為0.9%，在偏債型，平衡型，偏股型轉債中超額收益分別為1.0%，0.2%與0.5%。

回顧最近一年的因子表現，相比2019年以來的歷史表現，因子表現有所下降。從超額收益的表現來看，其中Meta_Riskcontrol因子與Meta_Master在全A中最近一年表現未明顯下降，然而在寬基指數中所有因子普遍不如歷史表現。

DL_EM_Dynamic因子在7月錄得7%的回報率，對於中證1000超額收益0.4%，在中證1000內RankIC11.3%，多頭組合淨值創新高，超額收益持續回暖，4月份期待創新高。

Meta_RiskControl因子的全A多頭組合7月份錄得了8.6%的回報率，對於中證800超額收益2.7%，在全A內RankIC15.5%，多頭組合淨值繼續創新高，超額收益繼續創新高。

Meta_Master因子的全A多頭組合7月份錄得7.9%的回報率，對於中證800超額收益2.0%，在全A內RankIC18.9%，多頭組合淨值繼續創新高，超額收益繼續創新高。

02

2.1 DL_EM_Dynamic因子

利用公募持倉生成深度學習嵌入輸入：採用矩陣分解的辦法，從基金選股網絡中提取股票的內在屬性，來影響因子對於不同股票的預測規律。矩陣分解基於基金對於股票的投資行為，分解出基金和股票的內在屬性矩陣。將這些內在屬性與LSTM生成的因子表示進行拼接，共同輸入到MLP中，可增強模型表現。

利用基金年報、半年報獲得的股票內在屬性半年一更新，較為靜態。但經驗告訴我們，市場是動態的，它在不同的時間段對不同的股票內在屬性的偏好是不同的，所以我們需要將股票靜態的內在屬性轉為動態內在屬性，構建股票的動態市場狀態因子，即計算個股內在屬性與當天市場熱度風格的相似度。這一因子本身並無選股能力，但與上述模型拼接后，生成更為有效的DL_EM_Dynamic因子。具體可參見《量化專題報告：深度學習如何利用公募持倉網絡優化選股效果？》。

組合構建：按照之前報告中的方法，可根據因子值構建中證1000指數增強組合，約束跟蹤誤差為5%，行業主動暴露±0.02，風格暴露±0.5，個股約束3%。周度調倉，回測採用次日vwap價格，交易成本為雙邊千分之二。

DL_EM_Dynamic因子中證1000指數增強組合2025年7月錄得超額收益1.3%，超額淨值回暖，今年超額收益11%。組合自2019年以來年化收益29.7%，年化超額收益23.4%，信息比率2.03，超額收益累計最大回撤-10.1%。下表為最新打分前50股票。

2.2 Meta_RiskControl因子

回顧歷史我們發現，深度學習因子的回撤大都發生在某些風格因子變化較快的時刻。從而，一個自然的想法就是在深度學習模型中加入對於因子暴露的控制。我們將模型的輸出乘以對應股票的因子暴露，一起作為output，並在loss函數中體現。具體地，我們用預測label的多頭部分風格暴露減去空頭部分風格暴露，並在IC的基礎上添加對於風格偏離與風格動量的懲罰作為最終的損失函數。

鑑於元增量學習具有對於市場變化快速適應的能力，我們可以將這一框架與模型進行結合。將底層模型改為加入風格輸入后的ALSTM模型，並在損失函數中加入風格偏離的控制，在外層沿用在《量化專題報告：從增量學習到元學習—深度學習訓練新框架》中提出的元增量學習框架。綜合來説，應用加入風格懲罰的元增量學習模型可以較好地控制模型回撤。重新對模型多頭端進行風格分析，發現模型的風格偏離降低，且風格波動減小，幫助模型控制了風險具體可參見《量化專題報告：深度學習如何控制策略風險？》。

組合構建：利用Meta_RiskControl因子分別構建滬深300，中證500與中證1000指數增強組合。只限制市值偏離為±0.5，行業偏離為±0.02，個股權重最大為基準權重的5倍。周度調倉，回測採用次日vwap價格，交易成本為雙邊千分之二。

Meta_RiskControl因子滬深300增強組合2025年7月錄得超額收益1.9%，今年超額收益6.4%。自2019年以來年化收益20.1%，年化超額收益15.0%，信息比率1.58，超額收益累計最大回撤-5.8%。最新因子打分前50股票如下：

Meta_RiskControl因子中證500增強組合2025年7月錄得超額收益1.4%，今年超額收益4.4%。自2019年以來年化收益26.1%，年化超額收益19.2%，信息比率1.97，超額收益累計最大回撤-9.3%。最新因子打分前50股票如下：

Meta_RiskControl因子中證1000增強組合2025年7月錄得超額收益1.3%，今年超額收益9.3%。自2019年以來年化收益34.1%，年化超額收益27%，信息比率2.36，超額收益累計最大回撤-10.2%。最新因子打分前50股票如下：

2.3 Meta_Master因子

將市場信息納入模型中進行訓練，相比Transformer收益預測模型可以獲得穩定提升。Tong Li等人在2024年發表的論文中提出了一個名為MASTER（Market-Guided Stock Transformer）的新模型，旨在捕獲瞬時和跨時間的股票相關性，並利用市場信息進行自動特徵選擇。我們對原論文的數據部分進行改進后，納入滬深300、中證500與中證1000指數量價刻畫市場狀態，對MASTER模型效果進行實證，在保持其他設定不變的情況下，MASTER模型因子RankIC為10.3%，全A多頭組合相對中證800年化多頭超額收益達26.0%，大幅打敗基線Transformer模型。

進一步利用深度風險模型計算新的市場狀態，並替換損失函數和訓練框架，獲得了進一步提升。寬基指數最近的量價本質上只刻畫了市場中大盤及中盤股最近的牛熊狀態，然而市場每輪的牛熊背后驅動邏輯不同，市場偏好的風格也不同，所以我們需要理解市場最近的偏好以進一步刻畫市場狀態。深度風險因子相比barra風格因子對於市場收益的解釋度提升5%，提升較為明顯。利用近期上漲最好股票的風格來衡量近期的市場風格，共計構建120個新特徵代表市場狀態。在模型的訓練流程及損失函數等方面繼續改進，最終因子效果提升明顯。對於損失函數，我們利用加權MSE來放大多頭端的誤差以提高模型在多頭端預測的準確率。在模型的訓練流程上，我們可以利用在線的元增量學習對於模型進行定期更新。元增量學習旨在根據最近的數據分佈對數據與模型進行適應，從而快速掌握近期市場規律，適應動態變化的市場。具體可參見報告《量化專題報告：深度學習如何自適應市場狀態以提升模型穩健性？》。

組合構建：利用Meta_Master因子分別構建滬深300，中證500與中證1000指數增強組合。只限制市值偏離為±0.5，行業偏離為±0.02，個股權重最大為基準權重的5倍。周度調倉，回測採用次日vwap價格，交易成本為雙邊千分之二。

Meta_Master因子滬深300增強組合2025年7月錄得超額收益2%，YTD超額收益7.9%。自2019年以來年化收益22.0%，年化超額收益17.5%，信息比率2.09，超額收益累計最大回撤-7.2%。最新因子打分前50股票如下：

Meta_Master因子中證500增強組合2025年7月錄得超額收益1.6%，YTD超額收益5.5%。自2019年以來年化收益23.8%，年化超額收益18.2%，信息比率1.9，超額收益累計最大回撤-5.8%。最新因子打分前50股票如下：

Meta_Master因子中證1000增強組合2025年7月錄得超額收益1.4%，YTD超額收益8.1%。自2019年以來年化收益30.7%，年化超額收益25.2%，信息比率2.33，超額收益累計最大回撤-8.8%。最新因子打分前50股票如下：

2.4 深度學習可轉債因子

將深度學習應用於可轉債投資，相對傳統量化可轉債投資策略收益得到顯著提升。針對可轉債傳統投資策略近年來超額收益逐漸衰減的問題，利用深度神經網絡，學習可轉債複雜非線性的市場定價邏輯，構建新的投資策略。門控循環單元(Gated Recurrent Unit, GRU)是一種改進的RNN架構，旨在解決傳統RNN中的梯度消失問題，並在計算效率上有一定優勢。僅考慮量價的GRU模型分組回測效果欠佳，將可轉債特有的時序因子引入到GRU模型中，並且將轉債截面屬性因子與GRU模型輸出拼接后預測未來收益，模型表現提升顯著。具體可參見報告《量化專題報告：從傳統策略到深度學習的可轉債投資》。

深度學習可轉債因子最近表現尚可。按照平底溢價率將轉債分為偏債型，平衡型與偏股型，平衡+偏債轉債策略2021年以來top50組合年化收益19.6%，2025年7月錄得3.2%絕對收益。偏股，平衡，偏債內top50組合年化收益分別為13.2%，11.8%，12.7%。7月份分別錄得5.8%，3.8%與3.3%的絕對收益。

各類型轉債2025年5月超額收益有所差異。平衡+偏債轉債策略2021年以來top50組合年化超額收益10.9%，2025年7月錄得-1%超額收益。偏股，平衡，偏債內top50組合年化超額收益分別為5.8%，4.0%，4.4%。7月份分別錄得1.5%，-0.4%與-0.9%的超額收益。

深度學習可轉債因子繼續偏好高評級轉債，最新截面各類型轉債top50打分數據如下：

1）量化結論基於歷史統計，如未來環境發生變化存在失效可能。

2）選股模型結論不構成投資建議，實際投資還需要考慮外部市場環境、估值等因素並進一步評估。

報告信息：

韻天雨 S0100524120004  yuntianyu@mszq.com

本文來自民生證券研究院於2025年8月18日發佈的報告《Meta_Master因子今年已實現超額收益36.8%》，詳細內容請閲讀報告原文。

《證券期貨投資者適當性管理辦法》於2017年7月1日起正式實施，通過本微信訂閲號/本賬號發佈的觀點和信息僅供民生證券的專業投資者參考，完整的投資觀點應以民生證券研究院發佈的完整報告爲準。若您並非民生證券客户中的專業投資者，為控制投資風險，請取消訂閲、接收或使用本訂閲號/本賬號中的任何信息。本訂閲號/本賬號難以設置訪問權限，若給您造成不便，敬請諒解。我司不會因為關注、收到或閲讀本訂閲號/本賬號推送內容而視相關人員為客户；市場有風險，投資需謹慎。

免責聲明

民生證券股份有限公司（以下簡稱「本公司」）具有中國證監會許可的證券投資諮詢業務資格。本報告僅供本公司境內客户使用。本公司不會因接收人收到本報告而視其為客户。本報告僅為參考之用，並不構成對客户的投資建議，不應被視為買賣任何證券、金融工具的要約或要約邀請。本報告所包含的觀點及建議並未考慮個別客户的特殊狀況、目標或需要，客户應當充分考慮自身特定狀況，不應單純依靠本報告所載的內容而取代個人的獨立判斷。在任何情況下，本公司不對任何人因使用本報告中的任何內容而導致的任何可能的損失負任何責任。

在法律允許的情況下，本公司及其附屬機構可能持有報告中提及的公司所發行證券的頭寸並進行交易，也可能為這些公司提供或正在爭取提供投資銀行、財務顧問、諮詢服務等相關服務，本公司的員工可能擔任本報告所提及的公司的董事。客户應充分考慮可能存在的利益衝突，勿將本報告作為投資決策的唯一參考依據。