本文分析了3月份基于深度学习的选股组合表现。DL_EM_Dynamic因子在中证1000中表现出色，Meta_RiskControl因子在全A中也有积极表现，而Meta_Master因子表现略有波动。文章详细介绍了各因子的构建方法和业绩跟踪情况，包括超额收益和RankIC均值。此外，还对深度学习在可转债投资中的应用进行了分析，并强调了量化结论的风险提示。

📈 DL_EM_Dynamic因子表现：3月RankIC为25%，指数增强组合相对于中证1000超额收益6.6%，今年超额收益7.9%。该因子采用矩阵分解算法提取股票内在属性，并结合LSTM生成的因子，构建动态市场状态因子，增强模型表现。

🛡️ Meta_RiskControl因子表现：3月RankIC为20.8%，沪深300、中证500、中证1000指数增强组合超额收益分别为3.3%、4.1%和7.1%，本年超额收益分别为1.8%、1.6%和4.2%。该因子结合元增量学习框架和ALSTM模型，并加入风格偏离控制。

🚀 Meta_Master因子表现：3月RankIC为17.7%，沪深300、中证500、中证1000指数增强组合超额收益分别为2.7%、3.0%和3.2%，本年超额收益分别为2.8%、1.8%和3.0%。该因子利用深度风险模型计算市场状态，结合市场风格，并通过元增量学习定期更新模型。

💡 深度学习可转债因子：针对可转债投资策略超额收益衰减问题，利用GRU深度神经网络学习市场定价逻辑，构建新的投资策略。将时序因子引入GRU模型，并结合转债截面属性因子预测未来收益，模型表现提升显著。

　　3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25%,超额收益5%，Meta_RiskControl因子在全A中均值RankIC20.8%，全A多头组合相对中证800超额收益1.1%，Meta_Master因子周度RankIC均值17.7%，全A多头组合相对中证800超额收益-0.0%。 　　DL_EM_Dynamic因子表现跟踪：3月RankIC25%，指数增强组合相对于中证1000超额收益6.6%，今年超额收益7.9%。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：3月RankIC20.8%，沪深300，中证500，中证1000指数增强组合超额收益分别为3.3%，4.1%与7.1%，本年超额收益分别为1.8%，1.6%与4.2%。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：3月RankIC17.7%，沪深300，中证500，中证1000指数增强组合超额收益分别为2.7%，3.0%与3.2%，本年超额收益分别为2.8%，1.8%与3.0%。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：3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。 　　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。