20240705-华创证券-_AI+HI系列（5）_CrossGRU-2_基于Patch与多尺度时序改进端到端模型_24页_1mb

CrossGRU-2模型是一种改进的端到端深度学习模型，旨在处理时序数据分析中的多尺度问题。报告基于此前的CrossGRU模型，引入了一种双分支结构的时序模块，每个分支使用不同大小的patch来提取高、低频时序信息，并通过GRU和交叉注意力机制实现信息交互。同时，加入了截面模块来捕捉股票间的交互作用，构建了一个多尺度时序加截面的端到端模型，用于量价因子挖掘。

模型的特点包括：采用patch技术将时间序列分割成子序列，增强了局部信息的表示；使用GRU处理序列内部交互；通过交叉注意力机制融合不同尺度的信息；并对数据集进行了标准化和回测设计。在测试上，CrossGRU-2在30D、90D和30min数据集上表现优异，10日RankIC分别为123%、125%、119%，TOP组年化收益较高，超额收益显著。

消融测试表明：双分支时序模块和截面模块的结合在大多数情况下最优；Patch改进对长序列数据集效果明显；分钟数据集上截面模块贡献较小。最优模型在中证1000指数上实现年化超额收益1943%，跟踪误差283%。

风险包括历史数据回测的局限性、过拟合和随机数影响，以及未来数据不确定。该模型为量化投资提供了新思路，探索了多尺度时序分析的潜力。