2023年GRU网络在风格自适应中的创新与应用

一、基本面量化策略回顾

A 股市场的风格轮动长期以来一直是投资者研究的焦点。虽然对市场风格的分类有所不 同，但通常可将其归纳为大盘、小盘、价值和成长等几个主要类别。对近年来 A 股市场 的走势分析显示，市场经历了两个显著的发展阶段。 第一阶段（2018 年底至 2021 年初）以大盘成长型股票的主导为特征。这一时期，多个被 视作“核心资产”的股票如贵州茅台（2018 年 12 月至 2021 年 2 月涨幅超 350%）实现了 显著的价值增长。此外，此阶段孕育了多位机构投资经理的崛起，他们管理的基金产品 在此期间实现了显著的净值增长。在此期间，以大盘股为代表的上证 50 指数和沪深 300 指数分别实现了 76.37%和 92.89%的涨幅，远超中小盘股指数中证 500 和中证 1000 的 58.95%和 44.75%涨幅。

第二阶段（从 2021 年 2 月至今）则见证了市场风格向小盘价值股的转变。在此阶段，先 前大幅增长的“核心资产”股票遭遇重大调整，很多股票价格大幅下跌。与此同时，中小盘 股票在此阶段表现突出。相较而言，中证 500 和中证 1000 在这个阶段的表现超过了大盘 指数上证 50 和沪深 300，分别下跌 14.69%和 3.05%，而上证 50 和沪深 300 同期分别下 跌 41.15%和 39.53%。 显然，市场风格的这种变化对各行业、投资经理以及基本面量化选股策略的影响显著。 因此，本文旨在通过量化方法整合不同风格的组合，以更有效地指导投资决策。

（一）近年来风格 A 股市场的风格轮动现象

1、canslim 策略历史回顾

截至目前，该策略 的累计收益率为 69.4%。在各个年度的表现中，2019 年取得了最高的年度收益率，为 65%， 其次是 2020 年，收益率达到 50%，而 2021 年的收益率为 15%。然而，在最近两年，策 略表现出下滑趋势，2022 年下跌 9%、2023 年下跌 8%。

2、红利策略历史回顾

在年度层面上，2019 年、2020 年和 2021 年，红利策略的涨幅分别为 39%、21%和 33%， 而其相对红利指数的超额收益则分别为 3%、-3%和 35%。在最近两年（2022 年和 2023 年），策略的收益率分别为-3%和 0%，相应的超额收益则为 18%和 8%。 红利策略在 2019 年和 2020 年的牛市期间与 Canslim 策略相比略显逊色。然而，在过去 三年中，红利策略不仅显著跑赢了红利指数，而且相对于 Canslim 策略也取得了可观的 超额收益。

3、惠特尼·乔治小型价值股策略回顾

在过去三年中，该策略的成果尤为突出。2021 年，该策略实现了 39%的绝对收益， 相较于中证 1000 基准指数，其超额收益达到了 35%。2022 年，尽管绝对收益为负（-3%）， 但相对于基准指数仍实现了 12%的超额收益。而在 2023 年至今，该策略实现了 20%的绝 对收益和相对基准的 23%超额收益。然而，需要指出的是，在 2019 年和 2020 年，该策 略的表现相对平平，未能超越 canslim 策略。2019 年和 2020 年的绝对收益分别为 24%和 19%。

（二）行业轮动现象

近年来的市场风格的切换也影响着每个行业的走势变化。可以看出行业轮动的 现象非常明显。 以汽车行业为例，汽车行业在 2018 年到 2019 年 6 月底期间表现平平。然而，自 2019 年 下半年开始，该行业的排名基本上能够稳定在排名较高的行业中，仅在 2020 年上半年出 现了排名第 15 的情况。随后，到了 2022 年下半年，汽车行业经历了大幅回撤，排名下 降至第 4 位。然而，进入 2023 年后，汽车行业的排名再次回到排名较高的行业之一，保 持在后三分之一的位置。

1、FESC 行业轮动策略历史回顾

具体而言，FESC 策略在 2019 年、2020 年和 2021 年分别实现了 31.41%、75.1%和 26.76%的绝对收益，表现出色。然 而，在 2022 年，该策略经历了小幅回撤，收益率为-3.96%。截至目前，FESC 策略的收 益率为 5.85%。与偏股混合基金指数相比，FESC 策略在多数年份都实现了显著的超额收 益。具体而言，FESC 策略在 2020 年实现了高达 19.19%的超额收益，2021 年的超额收益 为 19.08%，2022 年为 17.07%，2023 年为 16.84%。 为更好地应对前文提到的风格轮动现象，我们考虑结合神经网络来实现多风格组合的结 合，首先我们对所使用的方法和理论进行介绍。

二、GRU 网络介绍

门控循环单元（Gated Recurrent Unit，简称 GRU）由 Cho 等人在 2014 年提出，是循环神 经网络（RNN）的一种变体。RNN 网络是为处理序列类数据而特别设计的模型，其特点 在于能够捕获并保留序列当前时间步之前的历史信息。

三、GRU 网络在量化中的应用

（一）模型与特征构建介绍

根据上文对 GRU 模型的介绍，GRU 网络的设计思路使其在处理自然语言等序列数据的 任务中具有一定优势，股票的量价时序数据同样属于序列信息，我们希望 GRU 网络能不 遗忘时序早期的重要信息，另一方面，量价序列中的各个时点间的信息含量不一，我们 希望模型重置内部的隐状态表示，实现端到端的量价时序数据因子生成。

数据集说明： 2007-2023 年 A 股日频量价数据，包括高、开、低、收、均价、成交量六个序列，我们进 行如下筛选： 1、剔除上市不满 120 天的股票 2、剔除流通市值最小的 10%的股票； 模型训练参数说明： 训练集划分：为了可能捕捉近期的市场风格变化，模型采用滚动训练的方式，即每年年 底重新进行模型训练，在每年年底回溯过去 10 年作为训练集+验证集（其中最近的一年 为验证集），次年为测试集；第一期模型的训练集为 2007 年 1 月-2016 年 12 月，验证集 为 2017 年 1 月-2017 年 12 月，测试集为 2018 年，以此类推。 考虑到深度学习模型训练存在一定随机性的问题，在每年年末进行模型重训练时，设置 5 个固定的随机种子运行 5 次模型训练脚本，等权 5 个模型的输出作为最终结果。

模型输入数据： 在每周的最后一个交易日，回溯截面上所有只股票过去 30 个交易日 6 个特征的时序 数据（高、开、低、收、均价、成交量）。以一只股票为例，在 t 时刻构成了模型输入矩 阵的一条样本，形状为（1,30,6）。 我们采用周度滚动的方式生成输入数据（1,30,6）、（2,30,6）…（ ,30,6），在第一个维 度上进行矩阵拼接。 数据预处理方法： 将数据输入模型之前，进行如下的预处理步骤： 1、MAD 法对异常值缩尾处理； 2、将序列每一天除以第三十天的数据后进行 Z-score 标准化； 3、对缺失值按 0 填充；其中 MAD 和 Z-score 标准化在训练集确认标准化使用的均值、中位数等参数（fit + transform），用训练集上确定的参数对验证集和测试集进行上述标准化处理（transform）。

第一个标签对应损失函数为 IC 损失，旨在让模型端到端生成 IC 尽可能高的截面选股因 子；第二个标签对应损失函数为交叉熵，三个分类对应止盈、止损、持有三种情景，侧重 于交易执行层面，在 5%的上下限阈值设定下，三个分类的样本数量较为均衡，在整个样 本时间段的周度截面统计结果为，平均每个分类占比分别为 33%、32%、34%。

具体来说，GRU 层的隐状态维度被设置为 50，取最后时间步的隐状态作为序列表征，经 过 BatchNorm 层后输入不同的全连接层以训练不同的任务。 对任务一，全连接层 FC1 的输入与输出维度均为 50，可视为模型为每只股票生成 50 个 因子，将 50 个因子求均值合成后得到最终输出，每只股票得到一个因子得分，我们计算 其与未来 10 日的 IC 作为损失，在后文中我们将该因子称为 GRU_50 等权因子。 对任务二，全连接层 FC2 的输出维度为 3，我们计算其与未来 10 日收益分类的交叉熵损 失，并用分类 3–分类 1 作为每只股票的因子得分，在后文中我们将该因子称为 GRU_3 分 类因子。 对任务三，可以看作前两个模型的集成，前 10 个 epoch 执行任务一，使用 FC1 层连接 GRU 层，计算 IC 损失、10 个 epoch 之后执行任务二，使用 FC2 层连接 GRU 层，计算 交叉熵损失。将 FC1 层输出的 50 个因子求均值、FC2 层输出的分类 3 – 分类 1 得分二 者再进行等权相加，得到每只股票最终的因子得分，在后文中我们将该因子称为 GRU_ 集成因子。

（二）因子测试

我们对前文提到的三中训练方式生成的三个因子分别进行检验，对比不同任务下的结果， 报告中回测的历史区间为 2018 年 1 月至 2023 年 11 月底：

1、原始因子测试结果

IC 测试结果

观察 IC 的时序图，我们可以看到，50 等权因子的滚动一年 IC 在 2021 年 6 月至 2022 年 6 月期间出现了轻微回撤，而 GRU_3 分类因子的滚动一年 IC 在 2019 年 3 月至 2019 年 9 月期间出现了较大回撤。然而，集成因子的 IC 历史表现相对稳定，滚动一年 IC 均值波 动较小。

分组测试结果

从超额收益曲线的区分度来看， GRU_50 等权因子的线性区分度最高，尽管在 2021 年下半年出现了轻微波动，但其 20 分 组的区分度是三者中最稳定的。其次是 GRU_集成因子，该因子分组后的 group_20 长期 能够稳定地跑赢其他分组，不过 group_16、group_17、group_18 和 group_19 的区分度较 低。GRU_3 分类因子的区分度最差。

多空测试结果

从多头对比结果来看，GRU_50 等权 因子表现最佳，多头年化收益率达到 32.93%，最大回撤仅为 21.78%，夏普比率为 1.39。 而从多空分组的结果来看，GRU_50 等权因子的表现同样最佳，多空组合实现了年化收 益率超过 154%，大幅领先其他两个因子。

2、中性化后因子测试结果

IC 测试结果

从 IC 统计结果来看，GRU_50 等 权因子的 IC 均值最高，达到了 7.2%，同时其年化 IC_IR 也高达 8.63，大于 0 占比达到 90.5%。而集成因子的 IC 均值为 6.2%，中位数为 6.4%，其年化 IC_IR 为 7.87。 观察 IC 的时序图，可以发现 3 分类因子整体波动较大，其滚动一年 IC 均值围绕在 0.05 附近波动。相比之下，GRU_50 等权因子的滚动一年 IC 均值在三者中表现最为稳定。

分组测试结果

从超额收益曲线的区分度来看， GRU_50 等权因子与 GRU_集成因子的线性区分度较好，但 50 等权因子在 23 年多头超 额收益波动较大。而 GRU_3 分类因子的区分度最差。

多空测试结果

从多头对比结果来看，GRU_50 等权因子表现最佳，多头年化收益率达到 24.74%，最大 回撤为 26.05%，夏普比率为 1.05。而从多空分组的结果来看，GRU_50 等权因子的表现 同样最佳，多空组合实现了年化收益率超过 75%，大幅领先其他两个因子。

（三）宽基股票池多头组合表现

本节展示了模型在主流宽基沪深 300、中证 500、中证 1000 成分股股票池的因子多头组 合表现。因子多头组合的构建方法为：在每周最后一个交易日计算宽基成分股的因子得 分，选取得分最高的 10%作为持仓，按下周第一个交易日的收盘价交易。

总体来说，三个模型在沪深 300 和中证 1000 宽基股票池的多头组合绝对收益、超额稳定 性表现均好于中证 500 股票池。从收益角度看，在整个测试时间区间内，GRU50 等权因 子表现最佳，略优于 GRU 集成因子并明显优于 GRU3 分类因子。近三年 GRU 集成因子 综合表现更优，除在 2022 年中证 1000 股票池测试外表现均为最佳；究其原因，GRU3 分 类模型在 19、20 年明显弱于 GRU50 等权，而 21 年后相对表现改善，也带来了 GRU 集 成模型的表现提高，同时 GRU50 等权在中证 500 股票池 2021 年后超额收益稳定性下降， 在 21 年发生较大回撤，而对应时段 GRU3 分类、GRU 集成因子更为平稳。模型训练标 签的选择，以及深度学习模型架构的设计值得更深层研究。

四、GRU 网络在风格自适应中的应用

通过上文第三部分的分析，我们可以看到 GRU 网络在全 A 样本和小样本（宽基指数） 中的分组效果表现出色。在本部分，我们将深入研究 GRU 网络在合成不同风格组合方面 的效果。 借鉴第一部分中巨潮风格指数的划分方式，我们构建以下六种风格指数：大盘成长、大 盘质量、大盘价值、小盘成长、小盘质量、小盘价值。这些指数均采用特定的财务指标作 为筛选依据，以月度频率从市场中选取 50 只符合条件的股票进行组合。

按照我们划分结果来进行切分，近年来的风格切换同样发生在 21 年初，在 21 年之前市 场偏向于大盘质量与大盘成长风格，而在 21 年之后市场则是小盘成长与小盘价值占优， 其中小盘价值的表现更加出色。

（一）风格池内因子测试

六大指数中每个指数有 50 只成分股，每期的总数最多为 300 只个股，我们先测试 GRU 三因子在 300 只成分股内部的效果。

对比风格池内三个因子的测试结果，GRU 集成因子的 IC 统计结果最佳，其 IC 均值最大 为 8%，同时其大于 0 的占比也最大为 73.6%。另外，该因子的 IC 也在三者中表现最稳 定。

对比三者在风格池中的线性区分度，集成因子的区分效果最好，其他两个因子多头部分 的分组中均出现黏合现象。对比三者的 group_10 分组的统计结果，集成因子的效果同样 最佳，该因子虽然年化收益略不及等权因子，但其最大回撤和换手率方面均表现更优。

（二）风格池内选股组合

按照上部分测试结果，我们筛选 GRU_集成因子在风格池中进行选股，根据前文的统计 我们注意到，如果每期直接选择因子得分最高的 50 只股票(即 TOP50 组合)作为持仓，在 周度调仓频率下组合换手率较高，交易成本对净值曲线的侵蚀大；另一方面，我们发现 由于因子本身的 IC 较高，得分排名位于 50-80 的股票表现并不会显著落后于得分前 50 的股票，因此我们从降低换手率的目的出发，采用如下的方法确定每期持有的 50 只股票： 1.在调仓时点，根据因子得分对股票池中所有股票进行排序，选取排名前 80 的股票作为 本期候选股票池； 2.观察上期的持仓，保留上期持仓中被纳入本期候选股票池的标的，卖出不在本期候选股 票池的标的； 3.经过上一步操作后，如果股票不满 50 只，则从候选股票池中按得分优先原则填充至 50 只，作为本期最终持仓标的； 4.按等权对 50 只股票进行调仓 我们将上述方法构建的组合称为 DoubleTopK 组合。

1、历史回溯

测试方法介绍 我们按照如下方法进行回测： 数据：2018 年 01 月 01 日至 2023 年 11 月 20 日的风格指数基准池。调仓频率：周度调仓，调仓日为每周的第一个交易日，考虑停牌、涨跌停对交易影响。 仓位控制：等权调仓，同时个股的最大持仓比例不超过 5%。 调仓规则：采用 DoubleTopK 方式进行调仓。 策略基准：我们使用了中证 1000 作为比较基准。 资金在选出股票上平均分配，交易费用买卖各收千分之 1.5。

测试结果

可以发现策略长期来看稳定跑赢风格基准及沪深 300、中证 1000。策略组合 2018 年来年 化收益率 15.2%，最大回撤 23.4%，换手率 42 倍。相比之前因子的测试结果，此时的换 手率大幅下降，同时收益率也有所下降。风格基准组合 2018 年来年化收益率 5.3%，最 大回撤 31.2%，策略相对收益 9.9%。

在过去六年中，该策略持续优于风格基准。通过对 比发现策略在市场大幅回撤期间的表现非常优异。以 2018 年为例，策略仅下跌了 11.93%， 在所有主动型基金中的排名达到了前 6%（即 94%分位数）。2022 年，策略的下跌幅度仅 为 1.01%，在主动型基金中的表现更是位列前 3%（即 97.95%分位数）。而在 2023 年至 今，策略实现了 5.07%的收益，排名高达前 5%（即 95.1%分位数）。

然而，在 2019 年和 2020 年的牛市期间，策略的表现相对平平，排名分位数分别为 28.65% 和 18.31%。这表明虽然策略在市场下跌时具有较强的防御性，但在市场上涨期间可能未 能充分捕捉上行潜力。

策略分析

未有单一行业的平均仓位超过 10%。在持仓行业中，化工、银行、医药、交通运输这四 个行业的平均仓位最高，均超过 6%。其次，公用事业、机械设备、房地产、电子、非银 金融、食品饮料、建筑装饰、电气设备等行业持仓比例也较高，其平均仓位均超过 4%。 多元化的投资组合策略有助于分散特定行业或市场风险，从而提高整体投资组合的稳定 性和抗风险能力。

从风格基准池的构成来看，其中有一半的成分为大市值的股票，因此策略的历史持仓有 超过一半的仓位为大市值股票，历史的市值中位数为 385 亿。统计结果来看，策略在 80% 以上的时间持仓个股的市值中位数均在 100 亿以上。

风格变迁

可以观察到，策略在历史上对大盘股的平均仓位相对较 高。具体而言，自 2018 年以来，大盘股的历史平均仓位为 56.79%，中位数为 56%。此 外，大盘股的历史仓位在极端情况下，最高达到 88%，最低降至 24%。 虽然在构建风格指数时我们采用了大盘股和小盘股等权的设计理念，但从策略的最终结 果来看，模型倾向于筛选出更高比例的大盘股。

2、最新 TOP50 个股名单

从最新一期的持仓来看，其中大盘股的整体总个数 33 只小盘股个数 17 只。另外，其中 不乏很多耳熟能详的机构重仓股，如贵州茅台、泸州老窖、古井贡酒、青岛啤酒等。

编辑：火腿肠