`

Meta_Master因子今年已实现超额收益 $36.8\%$

创建于 更新于

摘要

本报告详述三大深度学习因子(DL_EM_Dynamic、Meta_RiskControl、Meta_Master)在2025年7月表现优异,均实现稳健的正向超额收益。其中Meta_Master因子今年累计超额收益达36.8%,信息比率高达2.33,显示出深度风险模型及元增量学习技术显著提升因子预测能力和模型适应性。此外,报告还介绍了深度学习可转债因子,通过GRU模型有效挖掘转债市场定价逻辑,整体策略年化收益领先传统策略。各因子在沪深300、中证500、中证1000指数增强组合均表现稳定,回撤控制良好,揭示深度学习方法在量化选股及资产管理中的应用潜力 [page::0][page::1][page::2][page::9][page::13]

速读内容


深度学习因子整体表现概览 [page::0][page::1]


  • DLEMDynamic因子7月在中证1000中RankIC达到11.3%,超额收益0.4%。

- MetaRiskControl在全A区间RankIC为5.5%,多头组合相较中证800超额收益2.7%。
  • MetaMaster因子RankIC为9.1%,今年全A超额收益达36.8%。

- 深度学习可转债因子7月偏股型收益达5.8%,年化收益显著领先传统策略。

因子历史表现与回测数据 [page::2][page::3][page::8]


| 因子名称 | 选股域/基准指数 | 2025年7月RankIC | 年化收益(自2019) | 年化超额收益 | 信息比率 | 最大回撤(超额) |
|---------------|------------------|-----------------|-----------------|--------------|---------|---------------|
| DLEMDynamic | 中证1000 | 11.3% | 29.7% | 23.4% | 2.03 | -10.1% |
| MetaRiskControl | 中证1000 | 9.3% | 34.1% | 27.0% | 2.36 | -10.2% |
| Meta
Master | 中证1000 | 12.5% | 30.7% | 25.2% | 2.33 | -8.8% |
  • 三大因子对应主要指数加强组合多头净值及超额净值表现稳健,均创新高,回撤控制有效。

- MetaRiskControl及MetaMaster因子年化超额收益和信息比率均领先DLEMDynamic因子表现。

DLEMDynamic因子构建及指数增强策略解析 [page::4][page::5]


  • 借助矩阵分解提取基金持仓网络内在属性,结合LSTM提炼股票动态市场状态因子。

- 因子与MLP模型结合增强预测效果。
  • 指数增强组合控制跟踪误差在5%,个股权重3%,风格及行业暴露约束有保障。

  • 2025年7月超额收益1.3%,年化超额23.4%,信息比率2.03。


MetaRiskControl因子方法及回测复盘 [page::5][page::6][page::8]


  • 加入风格暴露乘积和风格偏离惩罚项,结合元增量学习减少模型回撤。

- 基于ALSTM深度学习模型,动态调整控制因子风格偏移。
  • 沪深300指数增强组合超额收益1.9%,信息比率1.58,回撤控制优秀。



MetaMaster因子创新改进及优势介绍 [page::9][page::10]



  • 采用MASTER Transformer结合深度风险模型,刻画多层次市场状态及120个市场特征。

- 利用加权MSE聚焦多头端误差,辅以在线元增量学习实现模型动态自适应。
  • 中证1000指数增强组合年化超额收益高达25.2%,回撤低,表现领先。


深度学习可转债因子模型亮点及策略绩效 [page::13][page::14]



  • 结合GRU深度神经网络,内嵌转债时序及截面特征显著提升策略表现。

- 平衡型及偏债型转债策略年化收益约12-19.6%,2025年7月平均绝对收益3%-5.8%不等。
  • 超额收益表现波动,偏股型7月超额收益相对较好,基于高评级转债偏好构建股票池。

深度阅读

报告详细分析:MetaMaster因子今年已实现超额收益36.8% —— 民生金工叶尔乐团队量化因子月报



---

一、元数据与概览


  • 报告标题: MetaMaster因子今年已实现超额收益36.8%

- 作者: 叶尔乐(首席分析师),韵天雨等
  • 发布机构: 民生证券研究院(民生金工团队)

- 发布日期及时间: 2025年8月18日16:02(上海时间)
  • 研究主题: 深度学习驱动的多因子投资策略表现及构建方法,重点涵盖股票市场指数增强策略和可转债深度学习因子。


本报告主要内容聚焦于民生金工团队开发的三大主要深度学习因子——DLEMDynamic, MetaRiskControl及MetaMaster因子,及其在沪深A股等不同指数上的实证表现,以及一款针对可转债投资的深度学习因子策略。报告核心论点是,经过2025年7月最新实证检验,MetaMaster因子表现尤为突出,年内已实现36.8%的超额收益,显示了因子策略在指数增强和多样化资产配置中的实际应用价值。

---

二、逐节深度解读



2.1 报告摘要


  • 三个深度学习因子在7月份均呈现正向超额收益,MetaMaster因子表现领先,周度RankIC均值高达18.9%,其全A多头组合相对中证800指数超额收益5.1%。

- 深度学习可转债因子在多个转债风格分类中依然显示稳定表现,尽管部分存在超额收益衰减迹象。
  • 报告指出,因子构建均基于包括矩阵分解、LSTM、ALSTM、Transformer及元增量学习等深度学习技术框架,结合市场风格和多样化的量价数据,致力于提升选股预测的稳定性和收益弹性[page::0,1]。


2.2 深度学习因子近期表现概览


  • 2025年7月因子表现稳定,DLEMDynamic因子在中证1000指数中RankIC为11.3%,组合超额收益1.3%,体现其在中小市值板块的竞争力。

- MetaRiskControl因子全A平均RankIC15.5%,年内超额收益高达9.3%,尤其在沪深300和中证500指数中表现优秀。
  • MetaMaster因子周度RankIC高达18.9%,年内超额收益达到8.1%,持续优于其他因子,显示出高收益且相对稳健的风险暴露管理能力。

- 加权平均来看,三个因子在不同指数增强组合中均实现了自2019年以来稳健的超额收益和风险调整收益(信息比率均在1.5以上),最大回撤控制在合理范围内[page::1,2]。

2.3 因子构建及组合策略详解



2.3.1 DLEMDynamic因子


  • 采用矩阵分解(Matrix Factorization)技术从公募基金持仓网络中提取股票和基金的内在属性。

- 结合LSTM模型生成的动态因子表示,将股票的静态内在属性转化为动态市场状态因子,通过内积计算与动态市场偏好相似度,丰富模型对时间演变的识别能力。
  • 多层感知机(MLP)以此作为输入,并进行股票收益预测。

- 组合构建采用中证1000作为基准,行业暴露限制±0.02,风格暴露±0.5,个股权重限制3%,周度调仓,交易成本极低。
  • 实证显示,该因子2019年以来复合年化回报29.7%,超额收益达到23.4%,信息比率2.03,最大回撤10.1%,表现稳定且抗跌能力良好。

- 因子申请与组合净值曲线(图1及图5)显示出,因子整体净值及超额净值稳步攀升,近期并无明显回撤迹象,模型不断适应市场动态。
  • 打分前50名单覆盖多个行业(交通运输、基础化工、电力及公用事业、机械等),行业分布较均衡,体现其广泛适用性[page::4,5]。


2.3.2 MetaRiskControl因子


  • 针对深度学习因子在风格波动较大时期回撤剧烈的不足,创新性提出将因子暴露作为模型输出乘积并引入损失函数惩罚项力度控制,尤其对多头与空头端风格偏离进行调控。

- 底层模型由改良的ALSTM模型(带风格输入)构成,外层采用元增量学习框架,实现对于市场状态快速适应。
  • 通过图6的模型示意图,可以看到该框架以多维量价数据输入,结合 Barra 风格因子和短期风格动量,以IC为核心加权风格偏离和变化率惩罚调整损失函数。

- 组合构建覆盖沪深300、中证500、中证1000指数,允许个股最大权重为基准5倍,行业及市值约束严格控制。
  • 自2019年以来,沪深300组合年化超额收益15%,中证500、1000指数组合分别为19.2%和27%,信息比率分别为1.58、1.97和2.36,显示该模型在不同规模市场均具良好适应性和优化效果。

- 7月份各组合均录得1.3%-1.9%的超额收益,且各组合累计最大回撤控制在5.8%-10.2%之间(沪深300最低)。
  • 因子打分前50股票名单分布涵盖银行、机械、电力、医药、银行及传媒等大市值龙头,显示策略偏好基本面和稳健成长股[page::5,6,7,8]。


2.3.3 MetaMaster因子


  • 借鉴2024年Tong Li等人提出的MASTER模型,该模型通过Transformer架构捕获股票间的即时和跨期相关性,且引入市场引导信息进行自动特征选择,有效提升收益预测稳定性。

- 进一步利用深度风险模型替代传统Barra风格因子,扩充市场状态表达至120个维度,涵盖短期上涨股票风格及市场多样偏好。
  • 损失函数改为加权MSE,特别放大多头端误差以提升多头预测准确率,并采用在线元增量学习机制快速适应市场变化。

- 组合构建与MetaRiskControl类似,覆盖沪深300、中证500、中证1000指数,个股权重最大为基准5倍,周度调仓运营。
  • 实证表现:2025年7月沪深300组合超额收益2%,年初至今7.9%;中证500和1000组合分别录得1.6%和1.4%超额收益,累计最大回撤保持较低水平(均小于8%)。

- 三大指数近5年自2019年以来年化超额收益分别为17.5%-25.2%,信息比率均超过1.9,显示出该因子出色的风险调整后表现。
  • 因子打分前50股票典型涉及银行、医药、交通运输、新能源及制造业龙头,体现其在成长与价值之间的良好平衡。在净值和超额净值走势图(图12至图14)中,因子组合持续创新高,稳定增长[page::9,10,11,12]。


2.4 深度学习可转债因子


  • 针对传统可转债量化投资策略超额收益衰减问题,团队采用GRU网络结合转债特定的时序因子及转债截面属性优化收益预测。

- 模型结构如图15所示,输入包括量价序列和转债特征,通过GRU及Dropout后与转债静态属性拼接,利用多层感知机估计预期收益。
  • 根据转债溢价率划分策略为偏债型、平衡型、偏股型,2021年以来top50组合年化收益分别为12.7%、19.6%、13.2%,2025年7月表现依然稳健,偏股组合获利率最高达5.8%。

- 超额收益方面,2025年7月偏债、平衡、偏股分别录得-0.9%、-0.4%、1.5%超额收益,虽有波动但总体积极。
  • 应用范围广泛,策略在多元市场环境下均持有效,近期以偏债型稳健型转债策略展现较强韧性。

- 该部分数据表(表10至表12)详细列出了评级较高的转债代码及对应原始因子值,展现因子偏好整体偏向信用评级较优的债券,符合风险回报匹配逻辑[page::13,14,15]。

---

三、图表深度解读



3.1 主要因子净值曲线与回撤分析(图1-4,图5-14)


  • 图1(DLEMDynamic多头组合净值):显示自2019年起,因子净值稳步上扬,粉色线为多头收益净值,红色线为超额收益净值,正向趋势清晰,灰色阴影突出最大回撤阶段,最高达到约-16%。最新趋势回撤幅度降低,表明风险管理改善,因子表现复苏明显[page::2]。

  • 图2(MetaRiskControl因子全A多头组合净值):类似的上涨态势,年化超额收益显著,回撤幅度小于DLEMDynamic,表明风格控制增强极大降低回撤风险[page::3]。
  • 图3(MetaMaster因子全A多头组合净值):净值线增长最为稳健,回撤幅度处于最低区间,红线位置显示超额收益高企,7月单月表现尤为突出,著名的“多模型赚取收益弹性”特征显著[page::3]。
  • 表格及图5至14:详细披露三大因子在沪深300、中证500、中证1000指数增强组合的历年收益、超额收益、信息比率及最大回撤等关键指标,确保策略效果全面量化支持,且配合随附的多次打分前50股票名单,为投资者提供操作参考[page::4,6-12]。


3.2 组合构建及因子框架示意(图4、6、10、11、15)


  • 图4:DLEMDynamic因子构建流程详细说明如何使用矩阵分解技术将基金持仓数据转为个股静态及动态内在属性,结合LSTM因子表示共同输入MLP生成预测。矩阵分解与市场偏好动态调整聚焦于捕获市场情绪变化。
  • 图6:MetaRiskControl损失函数与模型框架示意,体现风格暴露惩罚机制的具体实现,基于ALSTM网络结合Barra因子,损失函数加上风格偏离和风格动量惩罚项,有效提升模型的稳健性。
  • 图10与图11:MetaMaster因子框架呈现基于MASTER Transformer模型的市场状态加权机制,特别是元增量学习机制提升了模型对市场动态的自适应性。深度风险模型替代传统风格因子提升了解释能力5%以上。
  • 图15:深度学习可转债模型结构说明GRU集成量价时间序列和转债特征输入,结合Dropout防止过拟合,拼接静态因子后MLP预测未来收益,体现从传统RNN到先进神经网络架构的策略演化[page::4,5,9,13]。


3.3 可转债策略净值与超额超额收益曲线(图16、17)


  • 图16展示不同类型转债(偏债、平衡及偏股)组合净值走势,对比转债指数,组合明显跑赢市场,且偏债平衡组合最为稳定。

- 图17说明超额收益时间序列,偏股型收益率表现更为抢眼,偏债、平衡策略超额贡献具波动性,预示模型在不同市场环境中对风险偏好有响应。

---

四、估值分析



本报告为多因子策略性能及算法介绍为主,未涉及传统意义上的市场估值、公司估值或目标价预测,不包含DCF估值、市盈率等常规估值模型分析。策略是基于机器学习预测模型和指数增强框架的组合管理,估值层面主要体现在:
  • 基准为沪深300、中证500、1000等指数,限制行业、风格、市值偏离;

- 交易成本、跟踪误差及风险预算明确量化;
  • 提升信息比率和最大回撤控制作为优化目标。


因此,估值部分主要视为投资组合风险收益优化的“量价模型估值”,利用深度风险模型提升市场状态的刻画和模型适应能力[page::4,5,9].

---

五、风险因素评估


  • 风格因子快速波动带来的回撤风险是主要关注点,MetaRiskControl因子通过引入风格暴露惩罚和元增量学习实现风险控制,提高多头端风格稳定性;

- 各因子均面临市场状态非线性和动态变化的挑战,元增量学习和在线模型更新机制用于快速适应;
  • 可转债因子因信用评级、市场流动性、宏观经济环境变化存在不确定性,超额收益可能会因市场环境变化产生波动;

- 因子历史表现基于历史数据,报告明确提示过往亮眼表现不代表未来必然成功,投资需谨慎,风险包括市场环境变化、模型假设失效、数据噪声等[page::13,15,16]。

---

六、批判性视角与细微差别


  • 从报告数据观察,尽管2025年整体因子表现良好,但相较于2019年以来的长期历史,此次表现存在一定下降,尤其在宽基指数中多因子表现有所减弱,提示因子收益可能面临市场阶段性调整风险。

- 可转债因子在不同风格间超额收益波动较大,偏均衡偏债组合存在负超额收益,显示部分子策略关注点需进一步强化风险管理。
  • 报告综合采用了多种深度学习架构和元学习技术,虽提升模型适应性,但复杂模型存在“黑箱”问题和过度拟合风险,需持续验证其鲁棒性和泛化能力。

- 各模型均基于设定的行业、风格、市值偏离约束,但组合实际执行中可能受到日内波动和市场微观结构影响,报告未详述此方面潜在操作风险,下次研究可重点关注。
  • 报告多以超额收益和信息比率评估模型表现,尚未涉及夏普比率、波动率、最大回撤配置敏感性等多元风险指标。

- 报告中多次引用内部研究和未公开的量化专题报告,外部验证角度有限,投资者需结合自身判断进行充分考量[page::1,13,15]。

---

七、结论性综合



本报告系统化展现了民生金工团队2025年7月最新深度学习因子月报,重点围绕DL
EMDynamic、MetaRiskControl和MetaMaster三大高频交易策略因子,以及创新的深度学习可转债投资因子,全面体现出深度学习结合元增量学习与动态市场状态刻画在中国A股市场和转债市场的成功应用。
  • 多因子表现均保持正向RankIC,且超额收益稳定,2025年MetaMaster因子尤为突出,截止报告日年内超额收益高达36.8%,为三大因子中最优,且表现优于基准及传统Transformer模型。

- 因子设计巧妙融合最新深度学习技术:矩阵分解提取持仓内生属性,ALSTM结合风格暴露管理回撤风险,Transformer引入市场状态编码并借助元增量学习快速适配市场变化,有效提升了模型的预测稳定性和收益弹性。
  • 量化组合策略构建严控风险,行业风格暴露限制严谨,个股权重合理分散,交易成本评估充分,展现策略实际操作的可行性与可持续性。

- 多维度表现指标覆盖收益率、超额收益、排名相关性(RankIC)、信息比率以及最大回撤,均支持以上因子已成为具备实证统计显著的优质量化因子体系。
  • 可转债深度学习因子对传统策略进行了深度升级,融合非线性特征和时序因子显著提升了收益率表现,分风格策略满足不同风险偏好投资者需求。

- 报告附带丰富的因子打分前50股票名单,为投资者在不同行业和细分市场进行具体布局提供了数据导向。
  • 报告明确表述量化结论基于历史数据,市场走势可能发生变化,未构成投资建议,投资者需结合估值、宏观政策等外部因素综合判断。

- 综合报告观点,民生金工团队深度学习因子体系具备较强稳定性和创新性,是当前中国市场指数增强和智能投资的重要参考工具。

---

重要图表及图片目录(部分)



| 图表编号 | 内容描述 | 页码 |
|---------|------------------------------------------|--------|
| 图1 | DLEMDynamic因子中证1000多头组合净值 | 2 |
| 图2 | MetaRiskControl因子全A多头组合净值 | 3 |
| 图3 | Meta
Master因子全A多头组合净值 | 3 |
| 图4 | DLEMDynamic因子构建框架 | 4 |
| 图5 | DLEMDynamic中证1000指数增强组合净值 | 4 |
| 图6 | MetaRiskControl因子构建示意 | 5 |
| 图7-9 | MetaRiskControl因子不同指数增强组合净值 | 6-8 |
| 图10-11 | Meta
Master因子市场状态向量应用及构建框架 | 9 |
| 图12-14 | MetaMaster因子不同指数增强组合净值 | 10-12 |
| 图15 | 深度学习可转债因子模型结构示意 | 13 |
| 图16-17 | 可转债因子不同类型组合净值及超额收益 | 13-14 |

附带数据表包含各因子最新前50打分股票与转债,为投资提供实证支持。

---

结语



本报告通过详尽的数据实证和技术阐释,系统展现了国内领先的深度学习投资因子体系的优势与局限,充分展现出量化投资领域深度学习与元学习结合的最新进展。报告为机构量化投资策略调整和风险管理提供了坚实的学术和实践参考。整体而言,Meta
Master等因子今年的持续超额收益,彰显了量化模型智能化升级趋势下的强大投资潜力与应用前景。

---

(全文完)

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16]

报告