GRU选股模型在不同市场状态下的分域训练效果及适用场景分析

报告通过实证研究分析了多种分域变量对GRU选股模型的影响，结果表明不同分域方式的效果存在显著差异，且对年份和股票池的适应性不同。

首先，宏观经济分域通过区分经济上行和下行阶段分别训练模型，整体提升了模型的截面排序能力和收益水平。分状态来看，宏观正向状态下的改善优于负向状态，且该分域在沪深300和中证500等大市值股票池中的改善效果优于中证1000，说明宏观变量与大盘股的价量因子关联更紧密。

其次，趋势震荡分域利用zig-zag信号将市场划分为趋势和震荡状态。结果显示，震荡状态下的GRU模型改善更为明显，不仅提升了RankIC和多头年化超额收益，还有效收窄了多头回撤。相比之下，趋势状态下的改善有限。在股票池应用中，趋势震荡分域在沪深300和中证500中的增量贡献较为突出。

此外，其他分域变量也表现出特定的适用场景。市场流动性分域的有效性主要来源于流动性偏强状态，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。行业分离度分域则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。

综合来看，宏观分域和趋势震荡分域的效果最为明显。将分域因子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，验证了分域训练在提升策略有效性和稳定性方面的价值。