报告概述
本报告聚焦于深度学习选股因子在实际应用中的截面表现差异问题。研究对象为基于高频量价、低频量价及基本面数据构建的深度学习因子。报告覆盖全市场及沪深300、中证500、中证1000等主要指数成分股，时间区间为2017年1月至2025年11月。通过对比不同Loss函数（MSE、IC、MAE及其Rank版本）下的因子表现，并引入基于市值分组的加权分域训练方法，系统分析了如何优化因子在不同市值风格股票中的选股能力。报告采用深度学习模型（RNN+FNN架构）与指数增强组合构建框架，为投资者提供了因子优化与组合管理的方法论参考。
报告的核心结论
不同Loss函数对深度学习因子表现影响显著
报告对比发现，MAE作为Loss函数时因子表现显著弱于MSE或IC，无论在全市场还是各指数成分中，多空收益与多头收益均较低。而MSE与IC表现接近，但添加Rank操作虽不能提升收益，却能有效控制组合回撤。对于偏中小盘的中证500和1000增强组合，不取Rank的IC或MSE作为Loss函数收益更优。
市值分域加权在中小市值股票中提升效果显著
通过将全市场股票按市值聚类分组，并对不同组别赋予差异化权重训练深度学习模型，发现分域加权对中证1000增强组合的年化超额收益提升超过1%，且宽严约束下均有改善。但对沪深300增强组合几乎无增强效果，甚至可能恶化；对中证500宽约束组合有一定提升，但不够显著。
深度学习因子受制于数据信噪比和参数寻优局限
与线性回归模型可通过解析解获得最优参数不同，深度学习模型依赖梯度下降寻找参数，易陷入局部最优且受初始点影响。当输入数据信噪比低时，不仅理论预测能力不足，实际训练得到的参数可能距离全局最优很远，甚至本身就是噪音。因此，改善收益预测特征比单纯提升模型复杂度更为关键。
报告回答的关键问题
如何选择深度学习因子的Loss函数？
报告指出，选股因子构建中，MAE作为Loss函数表现最差，应优先考虑MSE或IC。如果目标是提高收益，建议使用不取Rank的IC或MSE；如果希望控制回撤，可以添加Rank操作。具体选择还需结合目标指数：沪深300增强中取Rank的MSE或IC宽约束下表现较好，中证500宽约束IC最优、严约束MSE最优，中证1000中IC始终最优。
市值分域训练能否提升指数增强效果？
市值分域训练的效果因指数而异。对于中小盘代表的中证1000，分域加权可以显著提升增强组合的年化超额收益，宽严约束下均超过1%。对于中证500，分域训练在宽约束下有一定提升但不显著，严约束下无明显改善。对于沪深300，分域加权几乎无效，极端赋权反而恶化收益。因此，分域训练主要适用于中小市值股票域。
深度学习因子与线性回归因子在分域策略上有何不同？
报告发现，虽然两者均以量价因子为主且构建逻辑相近，但市值分域策略的效果方向相反。深度学习因子的分域加权主要体现在中小市值股票（如中证1000）增强，而线性回归模型的分域改进则在大市值股票（如沪深300）中更有效。这种差异源于两种模型参数求解方式的不同：线性回归有解析解，而深度学习依赖梯度下降，对数据信噪比更为敏感。
报告中的代表性数据
中证1000增强组合年化超额收益提升
2017.01-2025.11，对比等权模型，采用市值分域加权后，中证1000增强组合在宽约束和严约束下的年化超额收益均提升超过1%，以MSE为Loss函数且base_w=0.9时宽约束年化超额达20.98%。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整的多维度因子表现对比表：包含全市场、沪深300、中证500、中证1000及小市值股票在不同Loss函数下的IC、IC_IR、多头收益、多空收益等详细指标。
- 深度学习模型架构详细图解及训练参数设置：包括高频量价、低频量价和基本面因子的具体构成，以及RNN+FNN网络结构、训练周期、标签设计等。
- 不同约束条件下指数增强组合的构建细节：报告提供了沪深300、中证500、中证1000增强组合的宽约束与严约束参数表，涵盖个股、行业、市值、风格因子等限制。
- 分域加权方法的完整权数分布表及公式：详细展示了基于市值聚类分组的11组股票在不同base_w下的权数分配方案，以及合成复合因子的方法。
- 各指数增强组合的分年度超额收益表现：报告列出了2017-2025年每年度的超额收益数据，便于观察不同市场环境下策略的稳定性。
- 深度学习与线性回归模型的本质区别分析：从参数求解角度（解析解 vs 梯度下降）深入探讨了两种方法在信噪比敏感性和分域效果上的差异，并给出了理论解释。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
