金工機器學習系列專題報告：多模式合成的GRU深度學習選股因子.pdf

金工機器學習系列專題報告：多模式合成的GRU深度學習選股因子。多維度特征輸入，豐富模型信息。為提升因子預測能力，本報告構建了涵蓋 6 大一級類別、128 個特征的輸入體系，覆蓋基礎收益率（如日內收益率、隔夜收益率）、Barra 風格因子（如對數市值、貝塔、動量）、基礎量價因子（如換手率、波動率）、基本面因子（估值、盈利能力、成長能力等）、高頻因子（分鐘級成交額自相關性、Level2 主動買賣占比等）及技術指標（MACD、RSI、布林帶等）。豐富的特征結構能夠充分捕捉市場的多維信息，降低特征不足可能帶來的欠擬合風險。

多模式 GRU 模型池設計，平衡預測精度與效率。選用GRU作為基礎架構，并在此基礎上構建了 4 類差異化模型組成模型池：基礎GRU、PatchGRU（切片降低顯存占用）、AttentionGRU（多頭自注意力捕捉特征權重）、FFTGRU（融合時間域與頻率域特征）。多模型設計通過結構差異降低擬合噪音并期待提升預測精度。

多訓練回顧周期設計，適配市場風格變化。針對A股風格的周期性波動（如 2021 下半年至 2024 年初小市值占優、2023年和2025年初計算機行業強勢），設計了 4 類滾動訓練周期：短期（2年）、中期（4 年）、長期（6 年）、全歷史訓練，分別學習短/中/長期及全歷史的動量信息，有效避免單一訓練周期導致的風格適配偏差。

多維度因子合成策略，提升選股穩定性與有效性。基于32個單因子（4 周期×4 模型×2 預測目標）進行等權合成。2015-2025.08.22，VWAPT1–T21 的 RankIC 達 0.176，ICIR 為1.342，IC勝率92.5%；在滬深 300、中證 500、中證 1000、萬得全A指數成分股中的10分組多空年化收益率分別為 48.1%、51.6%、74.4%、88.4%。合成因子呈現小市值、低 Beta、低波動、低流動性、高BP、高EP的風格特征；不同維度因子相關性合理（模型間相關性>0.9，周期間相關性最低 0.7），保障了集成效果的穩健性。

指增表現：滬深 300 指增策略年化超額收益率7.7%，跟蹤誤差2.4%，信息比率 3.24，超額最大回撤 3%，超額卡瑪比率2.56，年均單邊換手率 2.5 倍。2024 年超額收益5.8%，跟蹤誤差2.8%，最大回撤僅 2.4%。2025YTD 超額收益 2.4%，跟蹤誤差2%，最大回撤1.2%。中證 500、中證 1000 指增策略年化超額收益率分別為15.4%和20.9%，跟蹤誤差分別為 6.7%和6.9%，2025YTD超額收益分別為4.9%和 9.4%。