GRU选股模型时序分域探索：宏观与趋势状态对策略有效性的提升

统一GRU模型的基础表现与局限性

在量化选股领域，门控循环单元（GRU）因其处理时间序列数据的能力而被广泛应用。传统的统一训练GRU模型通常假设不同时段的市场服从类似的运行规律，利用股票过去一段时间的量价走势作为输入，学习其中可能与未来收益相关的非线性信息。然而，随着市场环境变化速度加快，不同市场环境往往对应着不同的交易模式，这种统一训练的方式可能导致模型效果出现衰减。

基于A股基础量价数据构建的统一GRU模型，在样本外区间内展现出较稳定的截面排序能力。模型仅依靠历史量价序列，即能对股票未来收益形成有效的横截面排序，多头组合与多空组合均体现出一定的有效性。但在不同年份的表现上存在差异，部分年份表现相对偏弱。此外，模型的有效性在不同市值风格的股票池中表现不均，中小市值股票池中的区分能力相对强于大盘股内部。

时序分域训练方法的构建逻辑

针对统一模型在不同市场状态下表现波动的问题，报告提出了时序分域训练的方法。其核心动机在于，市场宏观状态、交易结构、投资者情绪等因素可能导致股价分布规律发生“跳变”。因此，通过引入外部状态标签将样本划分为不同的市场状态，并在每个状态内部单独训练GRU专家模型，最后根据当下判断的状态选择对应的模型进行预测，旨在提升模型对市场变化的适应性。

该方法首先根据宏观经济、趋势震荡、市场流动性、全市场波动率、行业分离度等时间序列变量构建分域标签。随后，在滚动训练窗口内，依据这些状态标签将样本拆分为不同子集，分别训练独立的GRU模型。在样本外回测阶段，根据当前的状态判断结果，动态选择相应的专家模型进行预测和组合构建。

宏观分域与趋势震荡分域的实证效果

在宏观经济分域测试中，将样本划分为经济上行和下行两个阶段分别训练模型。结果显示，宏观分域对模型整体截面排序能力有小幅增强，多头和多空收益均有提升，但回撤也伴随扩大。分状态来看，宏观正向状态下IC和收益的改善优于负向状态，说明对宏观经济上行、下行分别建模能够更好地捕捉特定环境的价量结构特征。在股票池层面，沪深300和中证500的改善情况优于中证1000，表明宏观变量与大盘股价量因子的关联更为紧密。

在趋势震荡分域测试中，利用zig-zag信号将市场划分为趋势和震荡状态。研究发现，震荡状态下GRU模型的改善更加明显，RankIC和多头年化超额收益均有显著提升，且多头回撤得到收窄。相比之下，趋势状态下的改善有限，甚至略有下降。这可能是因为震荡状态下价量特征更为显著，而趋势状态下股价受更多因素影响。在股票池应用中，趋势震荡分域在沪深300和中证500中的增量贡献较为明显。

其他分域变量及指数增强应用

除了宏观和趋势状态，报告还测试了市场流动性、全市场波动率和行业分离度等变量。市场流动性分域的有效性主要来自流动性偏强状态，而在流动性偏弱时效果减弱。全市场波动率分域在平滑表现分布和降低回撤方面表现较好，尤其在高波动环境下改善明显。行业分离度分域在行业低分离度状态下效果较好，能提升收益弹性，但同时也带来了回撤扩大的风险。

将统一模型、宏观分域和趋势震荡分域生成的因子值加入指数增强模型后，两种分域模型均对沪深300和中证500指数增强的表现有明显的增量贡献。趋势震荡分域在沪深300指数增强中的超额收益贡献相比原模型有所增加，而宏观分域和趋势震荡分域在中证500指数增强中的超额收益贡献也均有提升。这表明分域选股因子能够为现有的指数增强策略提供有效的Alpha来源。

研究局限与后续方向

现有的分域方法主要基于单一变量进行硬切分，忽略了状态中性、状态过渡以及多种风格并存的情况，且可能导致单个模型训练样本减少。后续研究可转向更一般的机制转换或动态模型混合框架，利用多维变量识别隐含市场状态，或将状态概率作为特征或模型权重引入GRU模型，以实现更柔性的预测和持仓调整。