权益配置因子研究：基于GRU、TCN模型的深度学习因子选股效果研究.pdf

权益配置因子研究：基于GRU、TCN模型的深度学习因子选股效果研究。本报告使用 GRU 和 TCN 模型训练深度学习因子，测试选股效果。模型效果上， GRU 略好于 TCN+GRU，略好于 TCN；预测 10 日收益模型略好于预测 5 日模型。 深度学习因子与低波动、低流动性因子相关性较高。构建指数增强选股策略，控制 市值行业无暴露，2017 年以来沪深 300 增强年化超额 11.8%，本年超额-0.4%；中 证 500 指数增强策略年化超额 13.6%，本年超额 2.7%；中证 1000 增强年化超额 21.7%，本年超额 9.9%；中证 2000 增强年化超额 27.1%，本年超额 9.3%。

深度学习模型选股上应用广泛。本报告使用 GRU、TCN 模型训练 深度学习因子。GRU 虽然是 RNN 中比较简单的模型，但被证实有 效后，以其预测效果好训练速度快的特点，在业内得以广泛使用。 TCN 是基于 CNN 架构，通过因果卷积、扩张卷积和残差连接等技 术，有效捕捉时间序列中的长期依赖关系的模型。

模型训练过程说明。输入数据集：30 日行情、60 日行情、30 周行 情，6 个特征（高、开、低、收、均价、换手率）。预测标签：t+1 日 至 t+6 日的 5 日均价涨跌幅、t+1 日至 t+11 日的 10 日均价涨跌幅。 训练过程：2017 年以来，每年训练一个模型供下一年使用，使用前 9 年数据为训练集，第 10 年数据为验证集。损失函数：预测值和收 益率的相关系数取负。使用模型：TCN、TCN+GRU、GRU。

单因子选股效果。多头组在中小市值股票池（中证 1000、中证 2000） 超额更高，选股效果更好，因子值是否市值行业中性化影响较小； 沪深 300 中因子原始值的效果明显好于市值行业中性化后因子值。 市值行业中性化后因子超额收益明显减少，部分说明深度学习因子 捕捉到风格轮动、行业轮动的规律。模型表现上，GRU 略好于 TCN+GRU，略好于 TCN；预测 10 日收益模型超额收益略高于预测 5 日收益模型。

复合因子选股效果。深度学习因子与低波、低流动性因子相关性较 高，反转因子也有一定相关性。与分钟高频因子、快照因子相关性 不高，与基本面因子相关性较低。等权加权后的复合因子效果均好 于单因子。构建指数增强策略，设置成分股不少于 80%，单边换手 率不超 20%约束，控制市值行业无暴露， 2017 年 1 月以来，沪深 300 指数增强年化超额 11.8%，超额最大回撤-6.0%；截至 2025 年 6 月 30 日，本年超额-0.4%，超额最大回撤-3.1%。中证 500 指数增强 年化超额 13.6%，超额最大回撤-7.1%；本年超额 2.7%，超额最大回 撤-4.2%。中证 1000 指数增强年化超额 21.7%，超额最大回撤-9.3%； 本年超额 9.9%，超额最大回撤-2.1%。中证 2000 指数增强年化超额 27.1%，超额最大回撤-5.2%；本年超额 9.3%，超额最大回撤-3.4%。 允许市值行业适当暴露（市值暴露最大偏离 0.5 个标准差，行业权 重最大偏离 2.5%），2017 年 1 月以来，沪深 300 指数增强年化超额 8.8%，超额最大回撤-9.90%；截至 2025 年 6 月 30 日，本年超额1.7%，超额最大回撤-3.6%。中证 500 指数增强年化超额 14.6%，超 额最大回撤-9.2%；本年超额 5.2%，超额最大回撤-1.6%。中证 1000 指数增强年化超额 22.3%，超额最大回撤-8.3%；本年超额 9.0%，超 额最大回撤-1.6%。中证 2000 指数增强年化超额 26.2%，超额最大 回撤-5.2%；本年超额 5.3%，超额最大回撤-3.6%。如果考虑双边 0.3% 交易费用，每年收益减少约 3%。