机器学习金融工程月报：机器学习因子选股月报(2025年11月)

请务必阅读正文后的重要声明部分 [Table_ReportInfo] 2025 年 10 月 29 日 证 券研究报告•金融工程报告 机器学习金融工程月报 机器学习因子选股月报（2025 年 11 月） 摘要 西 南证券研究院 [Table_Summary]  GAN_GRU因子：基于前期报告《量价时序特征挖掘模型在深度学习因子中的应用》（2024年 7月 11日）中提到的 GAN_GRU 模型，定期更新 GAN_GRU因子自 2024年以来表现情况。其中 GAN_GRU因子为利用生成式对抗神经网络 GAN 模型进行量价时序特征处理后再利用 GRU 模型进行时序特征编码得到的选股因子。  表现跟踪：自 2019年 1月至 2025 年 10月，月频调仓的基础上，GAN_GRU因子在全 A 范围内 IC均值 0.1131***，多头组合年化超额收益率 22.58%；截至 2025 年 10 月 28日，GAN_GRU 最新一期 IC为 0.1103***，近一年 IC均值为 0.0962***。。  因子表现：在申万一级行业分类下，测试 GAN_GRU 因子近期在各个行业内部的表现。截至 2025 年 10 月，9 月当期因子 IC 排名前五的行业（除综合）分别为商贸零售、农林牧渔、社会服务、机械设备、环保，IC分别为 0.2373***、0.2282***、0.1851***、0.1729***以及 0.1721***；近一年因子 IC 均值排名前五的行业（除综合）分别为钢铁、公用事业、非银金融、商贸零售、建筑材料行业， IC 均值分别为 0.1632***、 0.1413***、 0.1355***、 0.1259***以及0.1191***。 截至 2025 年 9 月，9 月当期多头组合超额收益最高的五个行业（除综合）分别为交通运输、农林牧渔、机械设备、食品饮料、医药生物，多头组合相对行业指数超额收益分别为 5.22%、4.82%、4.57%、4.45%以及 3.59%。此外在30 个申万一级行业（除综合）中，有 10个行业多头组合未跑赢行业指数。 近一年来看，多头组合月平均超额收益最高的五个行业（除综合）分别为家用电器、建筑材料、纺织服饰、农林牧渔、社会服务，超额收益分别为 3.89%、2.70%、2.39%、2.19%以及 2.17%。且 30个申万一级行业（除综合）中，除通信行业以外，GAN_GRU 因子多头组合近一年均跑赢对应申万一级行业指数。  2025 年 11 月多头组合：根据因子得分筛选排名前 10 的股票为：思美传媒、三态股份、恒实科技、东方盛虹、千金药业、TCL智家、泸天化、玲珑轮胎、福斯特、百洋医药。  风险提示：本报告结论完全基于公开的历史数据，若未来市场环境发生变化，量化因子的实际表现可能与本文的结论有所差异，同时可能存在第三方数据提供不准确风险。文中根据量化因子得到的个股预测结果不构成投资收益的保证或投资建议，为因子含义阐述以及有效性的进一步检验，投资者需充分认知自身风险偏好以及风险承受能力，市场有风险，投资需谨慎。 [Table_Author] 分析师：郑琳琳 执业证号：S1250522110001 邮箱：zhengll@swsc.com.cn 分析师：祝晨宇 执业证号：S1250525100004 邮箱：zhcy@swsc.com.cn 相 关研究 1. DAFAT：基于 Transformer 模型的自适应解决方案 (2025-08-29) 2. 加权影线频率与 K 线形态因子 (2025-08-28) 3. 可转债 K线看跌信号与交易增强策略——量化方法在债券研究中的应用四 (2025-06-09) 4. 基于历史 K 线形态的因子选股研究 (2025-05-26) 5. 科技成长产业变革趋势下基金产品投资策略评价与优选 (2025-05-26) 6. PINN 信息约束与时序截面双流网络选股模型 (2025-04-09) 7. 基于产业链和交易结构的豆粕期货择时框架 (2025-03-19) 8. 可转债 K线技术分析与 K线形态因子——量化方法在债券研究中的应用三 (2025-03-14) 9. 识时通变：宏微同频成长价值风格轮动策略 (2025-01-10) 10. 超额收益如何回归？——2025 年金融工程策略报告 (2025-01-06) 机 器学习金融工程月报 请务必阅读正文后的重要声明部分 目 录 1 前言 .................................................................................................................................................................................................................. 1 2 GAN_GRU 模型简介....................................................................................................................................................................................... 1 2.1 GRU 模型基本假设 ................................................................................................................................................................................ 1 2.2 GAN 模型简介......................................................................................................................................................................................... 2 2.3 GAN 特征生成模型构建....................................................................................................................................................................... 4 3 GAN_GRU 因子表现......................................................................................