2025年权益配置因子研究：基于GRU、TCN模型的深度学习因子选股效果研究

1. 基于 GRU 和 TCN 训练深度学习因子

深度学习模型在选股上应用越来越广泛。我们使用 GRU、TCN 模型训练深 度学习因子。GRU 模型虽然是循环神经网络 RNN 中比较简单的一个模型， 但被证实有效后，以其预测效果好训练速度快的特点，在业内得以广泛使用。 TCN 模型是基于卷积神经网络（CNN）架构，通过因果卷积、扩张卷积和 残差连接等技术，有效捕捉时间序列中的长期依赖关系的模型。下面对两个 模型进行简要介绍。

1.1. GRU 和 TCN 模型介绍

1.1.1. GRU 模型

门控循环单元（Gated Recurrent Unit，GRU） 是一种改进的循环神经网络 （RNN）结构，由 Cho 等人（2014）提出，旨在解决传统 RNN 在处理长 序列时的梯度消失/爆炸问题，并简化 LSTM 的复杂结构，同时保持对长期 依赖关系的建模能力。GRU 通过门控机制动态控制信息的保留与遗忘，广 泛应用于时间序列预测、自然语言处理（如机器翻译、文本生成）和语音识 别等领域。

1.1.2. TCN 模型

时间卷积网络（Temporal Convolutional Network，TCN）是一种专为时间序 列数据设计的深度学习模型，基于卷积神经网络（CNN）架构，通过因果卷 积、扩张卷积和残差连接等技术，有效捕捉时间序列中的长期依赖关系，同 时避免了传统 RNN（如 LSTM、GRU）在处理长序列时常见的梯度消失或 梯度爆炸问题，并支持并行计算，显著提升计算效率。

TCN 的核心技术： 1)因果卷积 Causal CNN：确保输出仅依赖于当前及过去时刻的输入，避免 未来信息泄露，保证因果性 。因果卷积是一维卷积在时间维度上施加“因果 性”约束后的特例。 因果性：时刻 t 的输出只能由 t 及其之前（t-1, t-2 …）的输入计算得 到，绝不使用未来信息。 等价描述：把标准一维卷积的“中心对齐”改为“右对齐”，并在左侧补零 （causal padding），使卷积核“看不到”未来。

2)扩张卷积 Dilation CNN：通过设置扩张因子（dilation factor），在不增加参 数量的前提下扩大感受野，捕捉长距离依赖。 选择一个常数 dilation_base 整数 b，特定层的扩张 d 作为其下方层数 i 的函数，如 d = ? ?。下图显示了一个输入长度 input_length 为 10、卷积核 kernel_size 为 3 和 dilation_base 为 2 的网络，它产生了 3 个扩张卷积层 以实现全覆盖。

3）残差连接：借鉴 ResNet 设计，解决深层网络中的梯度消失问题，加速训 练并提升模型性能。TCN 每个残差块有两个卷积层，在卷积层之后添加 ReLU 激活函数以引入非线性。在每个卷积层之后通过 dropout 引入正则化 来防止过拟合。下图显示了模型最终的残差块。

TCN 模型的优势： 1) 并行计算：无需像 RNN 那样顺序处理序列，支持并行计算，加速训练 与推理 。 2) 高效内存使用：参数数量相对较少，内存需求低于 LSTM/GRU 。 3) 灵活的感受野：可通过调整卷积核大小、扩张率等参数灵活控制感受野 大小 。 4) 无需状态存储：不像 RNN/LSTM 需要显式存储和更新隐藏状态，简化 实现与调试 。 TCN 的应用与扩展： TCN 广泛应用于时间序列预测、语音识别、动作识别等领域，可与注意力机 制、双向门控循环单元（BiGRU）等技术结合（如 TCN-Attention、SSA-TCNBiGRU-Attention 模型），进一步提升预测精度与上下文理解能力 。

1.2. 模型训练过程说明

本报告的输入特征只使用股票日、周行情数据，尽量减少由于特征选择导致 的过拟合。鉴于 GRU 模型在选股任务中的良好表现及其广泛应用，我们在 此基础上测试了 TCN 模型的效果，并尝试将 TCN 与 GRU 结合，以探索是 否能获得更优的预测效果。具体的训练模型过程和细节如下： 1) 输入数据集：30 日行情(day30)、60 日行情(day60)、30 周行情(week30)， 6 个特征（高、开、低、收、均价、换手率），需要做去量纲、标准化处 理。收益回测区间：2017 年 1 月-2025 年 6 月。 2) 预测标签：t+1 日至 t+6 日的 5 日均价涨跌幅、t+1 日至 t+11 日的 10 日 均价涨跌幅，需要做标准化处理。 3) 训练过程：滚动训练，2017 年以来，每年训练一个模型供下一年使用， 使用前 9 年数据为训练集，第 10 年数据为验证集。BatchSize 为一个交 易日的股票数量。 4) 损失函数：预测值和收益率的相关系数取负。 5) 使用模型：TCN、TCN+GRU、GRU。 a) TCN 模型对于时间长度 60，卷积核大小 kernel_size 为 3，使用 4 层网络 num_channels=[8, 16, 32, 64]；对于时间长度 30，卷积核大 小为 3，使用 3 层网络 num_channels=[8, 16, 32]； b) TCN+GRU 模型，由于 GRU 模型时间长度为 30 或 60，TCN 模型 仅尝试了 2 层或 3 层 num_channels =[8, 16]或 [8, 16, 32]。 c) GRU 模型，层数 2 层；根据数据集时间长度确定 sequence_length，day60 为 30，day30、week30 为 30。 6) 随机种子：对于随机种子 3 和 1，均做了训练，结果发现使用不同电脑 上，结果差别不大，本报告仅展示 seed=3 的结果。另外，TCN 模型固 定随机种子后训练很慢，对比发现随机种子固定与否，结果差别不大， 本报告展示没有固定随机种子的结果。

使用多种模型，不同数据集作为输入，预测 2 种时间长度收益率，构造训练 了以下 24 个模型，并生成深度学习因子。后面对这些因子选股效果进行测 试。

2. 单因子选股效果展示

具体测试上，我们分别测算因子原始值、市值行业中性化后因子值在不同股 票池的周度选股效果。 1) 选股域上，分别将沪深 300、中证 500、中证 1000、中证 20001、中证 全指五个指数成分股作为股票池。 2) 每周进行调仓操作，分组测试按因子值从小到大排序分 5 组或 10 组， 分别为 t0、t1、t2、…、t8、t9 组。 3) 因子效果评价上，计算因子 IC、分组收益、多头组超额收益等绩效指 标考察单因子表现。 4) 回测日期区间主要为 2017 年 1 月至 2025 年 6 月。 5) 分组超额收益使用第二天的均价进行买卖。

2.1. 不同股票池的因子rankIC

从深度学习因子的 rankIC 上看，可以得出以下结论： 1) 市值越小的股票池，rankIC 值越高。 2) 市值行业中性化后，因子的 rankIC 均有所降低。 3) 预测 5 日收益和 10 日收益，rankIC 差异不大。 4) 模型上，GRU 模型因子的 rankIC 整体略高，TCN 模型略低。

2.2. 不同股票池的因子分组超额收益、因子收益

计算深度学习因子的分组超额收益、因子收益（多头组-输家组合），可以发 现： 1) 股票池上，多头组超额在中小市值股票池（中证 1000、中证 2000）超 额更高，在中小市值中选股效果更好，市值行业中性化与否影响较小。 对于沪深 300，因子原始值的分组效果明显好于市值行业中性化后因子 值。市值行业中性化后因子超额收益减少，部分说明深度学习因子捕捉 到风格轮动、行业轮动的规律。我们在报告《量化视角多维度构建月度 和周度价值成长风格轮动策略——风格轮动量化研究系列之二》使用 深度学习因子做价值成长风格轮动，有明显的超额收益。 2) 模型表现上，GRU 略好于 TCN+GRU，略好于 TCN。预测 10 日收益 模型超额收益略高于预测 5 日收益。 3) 因子收益贡献上，沪深 300 和中证 500 因子原始值，多头组和输家组合 基本对称；市值行业中性后，因子收益主要是输家组合贡献较多。 小市值股票池（中证 1000、中证 2000）中，因子收益主要是输家组合 贡献较多。

3. 复合因子选股效果

由于预测 10 日收益的模型好于预测 5 日收益的，我们最终使用预测 10 日 收益的 12 个模型的因子，等权合成复合因子，用于最终的选股策略构建。

3.1. 与常用选股因子相关性分析

我们将深度学习因子市值行业中性化后，计算了深度学习因子和常用选股因 子的相关系数。可以发现： 1) 深度学习因子与日频价量因子有一定相关性，尤其是低波动、低流动性 因子相关性较高，与反转因子也有一定相关性。 2) 与分钟高频因子2、快照因子3相关性不高，与基本面因子相关性较低。

3.2. 不同股票池中复合因子选股效果

首先，我们使用等权加权合成复合因子，考察因子原始值、市值行业中性化 后因子值的分 10 组的选股效果。然后，通过组合优化方式，添加多种约束 条件，求解复合因子的最大化股票得分组合，构建指数增强策略。具体每周 构建组合的参数设置上： 1) 对于沪深 300 增强策略，设置成分股权重不少于 80%，个股权重上限 8%和个股权重偏离上限 3%，单边换手率不超过 20%； 2) 对于中证 500、中证 1000、中证 2000 等指数增强策略，设置成分股权 重不少于 80%，个股权重上限 1%，单边换手率不超过 20%。 风格暴露约束上，分别考察对比两种情况， 1) 相对基准指数，市值行业上完全不暴露； 2) 相对基准指数，市值暴露最大偏离 0.5 个标准差，行业权重最大偏离 2.5%。

本报告收益为费前收益，对于指数增强策略，按照 40%的周度双边换手率约 束，假设双边 0.3%交易费用，费用对策略收益影响大约为 40%*49 周* （0.3%/2）≈3%。对于中证 1000、中证 2000，由于成分股市值更小，冲击 成本更高，交易相关费用会更高。

3.2.1. 沪深 300 指数成分股

1）复合因子分组效果

对于复合因子原始值，沪深 300 指数成分股内因子原始值分 10 组超额收益 单调性较好。整体上，多头组 2017 年 1 月以来，年化超额收益 29.8%，超 额收益最大回撤-11.5%。

对于复合因子值进行市值行业中性化后。测算发现，沪深 300 指数成分股 内，复合因子市值行业中性化后，分 10 组超额收益单调性有所减弱。多头 组 2017 年 1 月以来，年化超额收益 16.0%，超额收益最大回撤-9.7%。

2）组合优化方式构建复合因子得分最大化组合

控制市值行业无暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 11.8%，超额收益最大回撤-6.0%。截至 2025 年 6 月 30 日，本年超额收益-0.4%，超额收益最大回撤-3.1%。

允许市值行业适当暴露（市值暴露最大偏离 0.5 个标准差，行业权重最大偏 离 2.5%），构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年 化超额收益 8.8%，超额收益最大回撤-9.90%。截至 2025 年 6 月 30 日，本 年超额收益-1.7%，超额收益最大回撤-3.6%。

3.2.2. 中证 500 指数成分股

1）复合因子分组效果

对于复合因子原始值，测算发现，中证 500 指数成分股内复合因子分 10 组 超额收益单调性良好。整体上，多头组 2017 年 1 月以来，年化超额收益 18.8%，超额收益最大回撤-14.5%。

对于复合因子值进行市值行业中性化后。测算发现，中证 500 指数成分股内 复合因子市值行业中性化后分 10 组，超额收益单调性良好。

2）组合优化方式构建复合因子得分最大化组合

控制市值行业无暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 13.6%，超额收益最大回撤-7.1%。截至 2025 年 6 月 30 日，本年超额收益 2.7%，超额收益最大回撤-4.2%。

允许市值、行业适当暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 14.6%，超额收益最大回撤-9.2%。截至 2025 年 6 月 30 日，本年超额收益 5.2%，超额收益最大回撤-1.6%。

3.2.3. 中证 1000 指数成分股

1）复合因子分组效果

对于复合因子原始值，测算发现，中证 1000 指数成分股内复合因子分 10 组 超额收益单调性较好。多头组 2017 年 1 月以来，年化超额收益 29.9%，超 额收益最大回撤-13.1%。

对于复合因子值进行市值行业中性化后。测算发现，中证 1000 指数成分股 内复合因子市值行业中性化后分组超额收益单调性较好。整体上，多头组 2017 年 1 月以来，年化超额收益 24.4%，超额收益最大回撤-7.8%。

2）组合优化方式构建复合因子得分最大化组合

控制市值行业无暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 21.7%，超额收益最大回撤-9.3%。截至 2025 年 6 月 30 日，本年超额收益 9.9%，超额收益最大回撤-2.1%。

允许市值行业适当暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 22.3%，超额收益最大回撤-8.3%。截至 2025 年 6 月 30 日，本年超额收益 9.0%，超额收益最大回撤-1.6%。

3.2.4. 中证 2000 指数成分股

1）复合因子分组效果

对于复合因子原始值，测算发现，中证 2000 指数成分股内复合因子分 10 组 超额收益单调性较好。多头组 2017 年 1 月以来，年化超额收益 36.6%，超 额收益最大回撤-12.4%。

对于复合因子值进行市值行业中性化后。测算发现，中证 2000 指数成分股 内复合因子市值行业中性化后分组超额收益单调性较好。多头组 2017 年 1 月以来，年化超额收益 32.5%，超额收益最大回撤-5.3%。

2）组合优化方式构建复合因子得分最大化组合

控制市值行业无暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 27.1%，超额收益最大回撤-5.2%。截至 2025 年 6 月 30 日，本年超额收益 9.3%，超额收益最大回撤-3.4%。

允许市值行业适当暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 26.2%，超额收益最大回撤-5.2%。截至 2025 年 6 月 30 日，本年超额收益 5.3%，超额收益最大回撤-3.6%。

3.2.5. 中证全指指数成分股

1）复合因子分组效果

对于复合因子原始值，测算发现，中证全指成分股内复合因子分 10 组超额 收益单调性较好。多头组 2017 年 1 月以来，年化超额收益 31.5%，超额收 益最大回撤-31.3%。

对于复合因子值进行市值行业中性化后。测算发现，中证全指成分股内复合 因子市值行业中性化后分组超额收益单调性较好。多头组 2017 年1 月以来， 年化超额收益 28.5%，超额收益最大回撤-20.3%。

2）组合优化方式构建复合因子得分最大化组合

控制市值行业无暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 16.3%，超额收益最大回撤-7.6%。截至 2025 年 6 月 30 日，本年超额收益 3.8%，超额收益最大回撤-2.4%。

允许市值行业适当暴露，构建复合因子得分最大化组合。测算发现：2017 年 1 月以来，年化超额收益 16.8%，超额收益最大回撤-5.4%。截至 2025 年 6 月 30 日，本年超额收益 4.5%，超额收益最大回撤-1.2%。

4. 总结

本篇报告使用 GRU 和 TCN 模型训练深度学习因子，并对其选股效果进行 测试。首先，介绍 GRU 和 TCN 模型和训练过程。然后，采用日行情、周 行情数据作为输入训练深度学习因子，并在各股票池进行单因子测试，展示 选股效果。最后，等权加权得到复合因子，测试其在各股票池的指数增强策 略表现。 深度学习模型选股上应用广泛。本报告使用 GRU、TCN 模型训练深度学习 因子。GRU 模型虽然是循环神经网络 RNN 中比较简单的一个模型，但被 证实有效后，以其预测效果好训练速度快的特点，在业内得以广泛使用。 TCN 模型是基于卷积神经网络（CNN）架构，通过因果卷积、扩张卷积和 残差连接等技术，有效捕捉时间序列中的长期依赖关系的模型。

训练过程说明。输入数据集：30 日行情、60 日行情、30 周行情，6 个特征 （高、开、低、收、均价、换手率）。预测标签：t+1 日至 t+6 日的 5 日均价 涨跌幅、t+1 日至 t+11 日的 10 日均价涨跌幅。训练过程：2017 年以来，每 年训练一个模型供下一年使用，使用前 9 年数据为训练集，第 10 年为验证 集。损失函数：预测值和收益率的相关系数。使用模型：TCN、TCN+GRU、 GRU。 单因子选股效果。股票池上，多头组超额在中小市值股票池（中证 1000、 中证 2000）超额更高，在中小市值中选股效果更好，市值行业中性化与否 影响较小。对于沪深 300，因子原始值的分组效果明显好于市值行业中性化 后因子值。模型表现上，GRU 略好于 TCN+GRU，略好于 TCN。预测 10 日 收益模型超额收益略高于预测 5 日收益。 复合因子选股效果。深度学习因子与日频价量因子有一定相关性，尤其是低 波、低流动性因子相关性较高，反转因子也有一定相关性。与分钟高频因 子 、快照因子相关性不高，与基本面因子相关性较低。从结果上看，虽然 本报告深度学习因子相关性较高，TCN+GRU 组合使用效果也不如 GRU 模 型，但等权加权后的复合因子效果均好于单因子。具体如下： 1) 对于复合因子原始值分 10 组，2017 年 1 月以来，沪深 300 内多头组年化超额 29.8%，超额最大回撤-11.5%。中证 500 内多头组年化超额 18.8%， 超额最大回撤-14.5%。中证 1000 内多头组年化超额 29.9%，超额最大 回撤-13.1%。中证 2000 内多头组年化超额 36.6%，超额最大回撤-12.4%。 中证全指内多头组年化超额 31.5%，超额最大回撤-31.3%。 2) 对于复合因子值进行市值行业中性化后分十组。2017 年 1 月以来，沪 深 300 内，多头组年化超额 16.0%，超额最大回撤-9.7%。中证 500 内 多头组年化超额 14.7%，超额最大回撤-10.5%。中证 1000 内多头组年 化超额 24.4%，超额最大回撤-7.8%。中证 2000 内多头组年化超额 32.5%， 超额最大回撤-5.3%。中证全指内多头组年化超额 28.5%，超额最大回 撤-20.3%。 3) 指数增强策略效果。对于复合因子值进行市值行业中性化后，控制市值 行业无暴露，构建因子得分最大化组合。设置成分股不少于 80%，单边 换手率不超 20%约束，控制市值行业无暴露，2017 年 1 月以来，沪深 300 指数增强策略，年化超额 11.8%，超额最大回撤-6.0%；截至 2025 年 6 月 30 日，本年超额-0.4%，超额最大回撤-3.1%。中证 500 指数增 强策略年化超额 13.6%，超额最大回撤-7.1%；本年超额 2.7%，超额最 大回撤-4.2%。中证 1000 指数增强策略年化超额 21.7%，超额最大回撤 -9.3%；本年超额 9.9%，超额最大回撤-2.1%。中证 2000 指数增强策略 年化超额 27.1%，超额最大回撤-5.2%；本年超额 9.3%，超额最大回撤 -3.4%。中证全指指数增强策略年化超额 16.3%，超额最大回撤-7.6%； 截至 2025 年 6 月 30 日，本年超额 3.8%，超额最大回撤-2.4%。 4) 允许市值行业适当暴露（市值暴露最大偏离 0.5 个标准差，行业权重最 大偏离 2.5%），2017 年 1 月以来，沪深 300 指数增强策略年化超额 8.8%， 超额最大回撤-9.90%；截至 2025 年 6 月 30 日，本年超额-1.7%，超额 最大回撤-3.6%。中证 500 指数增强策略年化超额 14.6%，超额最大回 撤-9.2%；本年超额 5.2%，超额最大回撤-1.6%。中证 1000 指数增强策 略，年化超额 22.3%，超额最大回撤-8.3%；本年超额 9.0%，超额最大 回撤-1.6%。中证 2000 指数增强策略年化超额 26.2%，超额最大回撤5.2%；本年超额 5.3%，超额最大回撤-3.6%。中证全指指数增强策略年 化超额 16.8%，超额最大回撤-5.4%；本年超额 4.5%，超额最大回撤1.2%。

编辑：火腿肠