投资要点:
　　多源特征体系，扩展因子选股能力。在专题1的128个日频特征基础上，本报告新增分钟频量价数据与开盘集合竞价数据两类信息源，构建5大输入特征集：（1）128融合特征（覆盖收益率、Barra风格、基础量价、基本面、高频与技术指标6大一级类别）；（2）分钟频组合量价（时序）特征（融合t日240个1m频、t-1至t-10日216个10m频、t-11至t-30日154个30m频）；（3）15m量价（先时序再截面）特征；（4）15m量价（先截面再时序）特征；（5）集合竞价特征（12个基于开盘集合竞价订单簿构造的因子）。多源特征结构能够补充截面与时序的高频信息，为模型提供差异化的Alpha来源。
　　PatchGRU单一模型架构，平衡显存与精度。考虑到分钟频特征时间步显著拉长（最长610步），为兼顾显存占用与时序建模能力，本报告统一采用PatchGRU模型作为基础架构。日频30步以5为步长切为5个时间窗口；分钟频610/480步以10为步长切为59/46个窗口，每个窗口经GRU提取最后一个隐藏状态后再拼接喂入新的GRU，继续学习长尺度依赖。
　　多预测目标设计，剥离风险暴露聚焦更纯净的Alpha。针对2024年9月以来传统深度学习因子风格暴露偏离过大、阶段性失效的问题，本报告在预测目标端引入三类精细化处理：（1）涨跌幅市值行业中性化；（2）基于走势相关性的相似股票相对排名；（3）基于Barra风格余弦距离的相似股票相对排名。叠加5天、10天、20天3个预测周期，再叠加4个滚动训练回顾周期，5个特征集共计5×4×9=180个单因子。
　　因子合成与表现：采用“日频-分钟频-集合竞价”3者等权合成，集合竞价因子仅保留空头部分（因子值<0）用于剔除标的，3者等权使各信息源权重均衡。2015-2026.04，最终合成因子RankIC达到0.168，ICIR为1.622，IC胜率95.1%。在沪深300、中证A500、中证500、中证1000、中证2000和万得全A成分股内的10分组多空年化收益率分别为55.0%、68.2%、62%、90.6%、95.4%和99.3%，全市值谱系选股能力均衡。因子在Barra CNE5风格上不再过分暴露小市值与低Beta，但仍保留部分低波动、低流动性、高BP和高EP的稳健风格特征。
　　指增表现：4个指增策略采用差异化的因子使用方案：沪深300指增基于原始合成因子（未叠加集合竞价剔除与降波改造），中证500、中证1000基于叠加集合竞价剔除与降波改造后的最终因子。沪深300指增年化超额收益率9.56%，跟踪误差2.97%，信息比率3.222，超额最大回撤2.63%，超额卡玛比率3.628，年均单边换手率4.478倍；2024、2025年超额收益率分别为9.33%和7.00%，跟踪误差分别为3.10%和3.06%，超额最大回撤控制在2.63%以内，回撤控制能力较强。中证500、中证1000指增年化超额收益率分别为10.30%和14.92%，跟踪误差分别为3.91%和3.99%，信息比率分别为2.636和3.739，超额最大回撤分别为4.23%和4.59%，超额卡玛比率分别为2.433和3.252。从因子改造的边际贡献看，集合竞价信息对中证500的信息比率、中证1000的超额收益率（提升1.1%）形成正向增益；因子降波改造则可进一步抬升多数指增策略的信息比率，整体呈现以小幅绝对超额换风险调整后收益的特征，与当前市场严控跟踪误差与回撤的环境契合。
　　风险提示：（1）模型失效风险；（2）市场风格变化风险；（3）数据测算误差风险；（4）数据或资料更新不及时风险；（5）政策变化风险。