金工机器学习系列专题1_多模式合成的GRU深度学习选股因子-250911-国海证券_21页_1mb

AI报告摘要

本报告是国海金工机器学习系列的第一篇，介绍了基于多模式 GRU 模型构建的深度学习选股因子。该因子通过融合多种输入特征和多模型结构，结合不同训练周期与预测目标，提升选股的稳定性和有效性，适用于指数增强策略。

多维度特征输入：构建了涵盖6大类别、128个特征的输入体系，包括基础收益率、Barra风格因子、量价因子、基本面因子、高频因子及技术指标，以丰富模型信息，降低欠拟合风险。
多模式 GRU 模型池：设计了4类差异化模型（基础 GRU、PatchGRU、AttentionGRU、FFTGRU），分别处理时序特征、降低显存占用、捕捉特征权重、融合时间域与频率域信息，提升预测精度与效率。
多训练回顾周期：针对 A 股风格周期性波动，设计了短期（2年）、中期（4年）、长期（6年）及全历史4种训练周期，以适配不同市场风格，避免单一周期带来的偏差。
多维度因子合成策略：基于32个单因子等权合成，得到11个综合因子，有效提升选股稳定性与有效性。合成因子表现稳定，具有小市值、低 Beta、低波动、低流动性、高 BP、高 EP 的风格特征。
指数增强表现：基于合成因子构建了沪深300、中证500、中证1000指数增强策略，其中中证1000表现最优，年化超额收益率达20.9%。沪深300指增策略年化超额收益率为7.7%，跟踪误差2.4%，信息比率3.24。

数据集：涵盖日频特征，文件大小约300GB，数据可通过国海金工数据库增量更新
预测目标：VWAP T1-T21 的涨跌幅与夏普比率（涨跌幅/标准差）
训练回顾周期：
- 短期：过去2年，1.5年训练，6个月验证，每2个月滚动更新
- 中期：过去4年，3年训练，1年验证，每4个月滚动更新
- 长期：过去6年，4.5年训练，1.5年验证，每6个月滚动更新
- 全历史：全部历史数据，除最后2年外训练，2年验证，每年滚动更新
训练参数：
- Batch_size：4096
- 学习率：0.001
- 优化器：Adam
- 损失函数：SoftRankIC
- 验证集早停：15轮
- 标准化方式：输入特征截面 Z-Score，预测目标百分比排名后再 Z-Score

单因子表现：RankIC 集中在0.16左右，ICIR 和 IC 胜率在不同模型与周期间差异较大
合成因子表现：
- RankIC：0.176
- ICIR：1.342
- IC胜率：92.5%
- 多空年化收益率：沪深300 48.1%、中证500 51.6%、中证1000 74.4%、万得全A 88.4%

沪深300指数增强策略：
- 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%
- 卡玛比率：2.56
- 单边换手率：2.5倍
中证500指数增强策略：
- 年化超额收益率：15.4%
- 跟踪误差：6.7%
- 信息比率：2.3
- 超额最大回撤：9.1%
- 卡玛比率：1.68
- 单边换手率：7.08倍
中证1000指数增强策略：
- 年化超额收益率：20.9%
- 跟踪误差：6.9%
- 信息比率：3.03
- 超额最大回撤：10.1%
- 卡玛比率：2.08
- 单边换手率：7.22倍