量化策略演进手记系列之三：GRU选股模型的时序分域探索.pdf

上传者：2******
时间：2026/07/15
热度：49
0人点赞
举报

本报告探讨了GRU选股模型在A股市场的表现，并重点分析了时序分域训练方法对策略有效性的提升作用。报告首先构建了基于基础量价数据的统一GRU模型，发现其在样本外区间内展现出较稳定的截面排序能力，多头和多空组合均体现有效性，但在不同年份和市场环境下存在衰减，且中小市值股票池中的区分能力相对强于大盘股。为解决统一模型在不同市场状态下表现波动的问题，报告引入了宏观状态、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GRU模型。实证结果显示，不同切分方法的表现有所差异，宏观状态和趋势震荡状态两种分域效果最明显。宏观分域下，经济上行、下行阶段分别训练模型后，两种环境下的IC和收益都有改善，上行期改善相对明显，且沪深300、中证500股票池的改善情况优于中证1000。趋势震荡状态分域中，震荡状态GRU模型的改善更加明显，能有效提升收益并降低回撤。其他市场变量中，高波动环境和行业分离度偏弱时改善更明显，但行业分离度分域也带来了回撤扩大的风险。此外，将统一模型、宏观分域、趋势状态分域三种方法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。报告最后指出，现有分域方法存在单一硬切分的局限，后续研究可转向更一般的机制转换或动态模型混合框架。