国泰海通量化选股系列（三）——融合深度学习因子的500增强多策略组合实证

国泰海通国泰海通金工研究 2026-05-23 置信度: high

综合质量 4 /5

新颖性 3 /5

可复现性 4 /5

核心内容

针对传统多因子模型面临的因子截面与时序不稳定、不同周期难复合以及复合方式单一等问题，提出多策略复合架构。策略首先分选股域（500成分内、全市场）和因子类型（多粒度深度学习因子、小市值高增长基本面因子）构建四个大类子策略。通过控制个股最大权重（激进程度）和反向剔除权重生成大量基础子策略。子策略内部按历史收益率T值筛选最优；跨策略间参考T值，表现差异不够大时按一定比例进行复合，形成最终的500内与全市场大策略组合。最后通过优化器以收益或信息比为目标进行权重配置，形成500增强组合。

经济逻辑

不同因子在不同市场环境和选股域中表现存在显著差异（如小市值因子在全市场有效而在500内失效），且深度学习因子的空头效应强于多头效应。通过多策略分层复合，既能保留不同因子在各自优势域的选股能力，又能利用反向剔除权重实现空头因子剔除效应，避免传统线性回归复合导致的参数失真和风险暴露放大。

超额收益逻辑

通过多策略复合，最大化不同因子在其适应域(全市场或500成分内)的选股效果；利用反向剔除权重将空头剔除逻辑显式融入组合构建，获取空头剔除收益；通过终端优化器平衡全市场Alpha与500增强稳定性，避免传统回归法中劣质因子权重过高的问题。

构造细节 [strategy]

数据输入

: (财务(低频), 日频): (逐笔(Level-2))

组合方式

子策略内按过去一段时间收益率T值的绝对值大小筛选表现最优的参数组合；跨子策略间复合时参考T值，若T值表现差异不够大，则按照一定比例进行加权复合，最终得到500成分内与全市场的筛选加权复合策略。终端通过优化器配置两个组合的权重，优化目标包括历史收益率，以及相对500的超额收益与Barra因子暴露结合计算的信息比。

绩效

约10%

年化收益提升

约20倍

换手率

基准: 中证500

回测期: 未明确

多策略复合表现远优于传统多因子方法，年化收益提升约10%，信息比显著提升，但换手率较高（约20倍，传统多因子组合约8倍）。

收益归因

未进行明确的收益归因分析。

缺口: 缺乏对多策略组合收益的具体归因分解。放入优化器的资产较少，强行进行行业或其他风险因子暴露控制会导致优化器无法求得最优解，且换手率较高的问题未给出优化方案。

稳健性

子样本稳定性: 不同选股域和不同周期内因子表现有分化，多策略复合后整体表现位于各单因子之间，但在特定区间(如2025年以来)表现非常强势，整体多策略框架通过分散单一参数风险提升了稳健性。

风格偏差: 市值因子在500内外表现差异巨大，全市场偏向小盘，500内失效；因此500增强中去除了市值因子。深度学习因子在500成分内空头效应显著优于多头效应。

通过多策略参数族分散单一因子或参数的风险，提升了整体策略的时序稳定性，但换手率显著上升可能带来执行层面的脆弱性。

数据依赖

所需数据: 财务数据、日线行情、Level-2逐笔行情数据、一致预期数据

可复现性: hard

深度学习因子未提供网络结构和特征工程细节，且优化器具体参数、子策略间加权复合的'一定比例'规则描述不足，复现难度极高。

新颖性评估 [新组合]

并非提出全新的单因子或网络结构，而是创新性地提出了分步多策略复合框架，特别是引入了反向剔除权重参数和分层T值筛选复合机制。

不足与缺陷

换手率失控（高达约20倍），相比传统多因子的8倍大幅上升，实际交易成本侵蚀可能严重削弱真实超额收益
终端优化器仅输入两个资产（500内与全市场），导致无法进行精细化的行业或风格暴露控制，容易引发隐性风险
深度学习因子构建细节缺失，且子策略间加权复合规则模糊（仅描述为'一定比例'），无法达到严密可复现级别
仅依靠历史收益率T值进行策略筛选与加权，容易导致过度拟合历史表现最优的参数，未来样本外失效风险大

可复用元素

子策略间互为反向剔除权重的参数化设计，利用空头效应进行选股域清洗
分步复合思路：先同类域内按T值筛选，再异类跨域按T值差异比例复合
多周期策略（日频、周频、月频）在终端统一优化配置的处理框架

启发

多粒度深度学习因子在全市场表现优于500成分内，而基本面小市值高增长在500内更优，两者具有明显的互补与域特异性，分域构建策略优于全域统一建模
在受限组合（如指数增强）中，反向剔除法相较于直接多空对冲更易实施且能利用空头信息

改进方向

将子策略间的固定比例加权复合改为基于风险预预算或波动率倒数加权法分配权重，并使用L1正则化优化器控制个股权重变动以平滑换手率

基于: 多策略权重配置依赖简单T值筛选与模糊比例，且换手率较高预期收益: 降低组合换手率至8-10倍，同时提升信息比约0.1-0.2

复现计划

1. 获取基本面量价数据及Level2数据，预处理并计算8个小市值高增长子因子；2. 等权构建8因子与7因子(剔除市值)的高增长复合因子；3. 训练或引用深度学习多粒度因子(周频标签)；4. 在500与全市场两个域内，遍历激进程度(1/2/5%)和反向剔除权重(1/2/5/10%)构建基础子策略池；5. 按换手约束(日度6%, 周度30%)运行基础子策略，计算历史收益率T值；6. 按T值绝对值优选域内最优，跨域按T值差异进行比例或择优复合；7. 设定优化器目标(信息比等)，添加成分股权重≥80%约束，输出最终权重；8. 考虑千一手续费与冲击成本评估实际超额与换手率。