本文分析了5月深度学习选股组合的表现。DL_EM_Dynamic、Meta_RiskControl和Meta_Master等因子均录得正向超额收益。文章详细介绍了各因子的构建方法及其在不同指数增强组合中的表现，并对深度学习可转债因子的表现进行了跟踪。最后，文章强调了量化结论基于历史统计，存在失效的风险，选股模型结论不构成投资建议。

📈 DL_EM_Dynamic 因子表现：5月RankIC为12.1%，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%。该因子通过矩阵分解算法提取股票内在属性，结合LSTM生成动态市场状态因子，增强模型表现。

📊 Meta_RiskControl 因子表现：5月RankIC为12.8%，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%。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：5月RankIC为14.7%，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%。该因子利用深度风险模型计算市场状态，构建120个新特征，并采用加权MSE损失函数和在线元增量学习。

💹 深度学习可转债因子：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%。该因子利用GRU深度神经网络，学习可转债定价逻辑，并引入时序因子和转债截面属性因子。

　　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。