金工机器学习系列专题报告：多模式合成的GRU深度学习选股因子.pdf

金工机器学习系列专题报告：多模式合成的GRU深度学习选股因子。多维度特征输入，丰富模型信息。为提升因子预测能力，本报告构建了涵盖 6 大一级类别、128 个特征的输入体系，覆盖基础收益率（如日内收益率、隔夜收益率）、Barra 风格因子（如对数市值、贝塔、动量）、基础量价因子（如换手率、波动率）、基本面因子（估值、盈利能力、成长能力等）、高频因子（分钟级成交额自相关性、Level2 主动买卖占比等）及技术指标（MACD、RSI、布林带等）。丰富的特征结构能够充分捕捉市场的多维信息，降低特征不足可能带来的欠拟合风险。

多模式 GRU 模型池设计，平衡预测精度与效率。选用GRU作为基础架构，并在此基础上构建了 4 类差异化模型组成模型池：基础GRU、PatchGRU（切片降低显存占用）、AttentionGRU（多头自注意力捕捉特征权重）、FFTGRU（融合时间域与频率域特征）。多模型设计通过结构差异降低拟合噪音并期待提升预测精度。

多训练回顾周期设计，适配市场风格变化。针对A股风格的周期性波动（如 2021 下半年至 2024 年初小市值占优、2023年和2025年初计算机行业强势），设计了 4 类滚动训练周期：短期（2年）、中期（4 年）、长期（6 年）、全历史训练，分别学习短/中/长期及全历史的动量信息，有效避免单一训练周期导致的风格适配偏差。

多维度因子合成策略，提升选股稳定性与有效性。基于32个单因子（4 周期×4 模型×2 预测目标）进行等权合成。2015-2025.08.22，VWAPT1–T21 的 RankIC 达 0.176，ICIR 为1.342，IC胜率92.5%；在沪深 300、中证 500、中证 1000、万得全A指数成分股中的10分组多空年化收益率分别为 48.1%、51.6%、74.4%、88.4%。合成因子呈现小市值、低 Beta、低波动、低流动性、高BP、高EP的风格特征；不同维度因子相关性合理（模型间相关性>0.9，周期间相关性最低 0.7），保障了集成效果的稳健性。

指增表现：沪深 300 指增策略年化超额收益率7.7%，跟踪误差2.4%，信息比率 3.24，超额最大回撤 3%，超额卡玛比率2.56，年均单边换手率 2.5 倍。2024 年超额收益5.8%，跟踪误差2.8%，最大回撤仅 2.4%。2025YTD 超额收益 2.4%，跟踪误差2%，最大回撤1.2%。中证 500、中证 1000 指增策略年化超额收益率分别为15.4%和20.9%，跟踪误差分别为 6.7%和6.9%，2025YTD超额收益分别为4.9%和 9.4%。