20260716-申万宏源-GRU选股模型的时序分域探索_量化策略演进手记系列之三_19页_5mb

GRU选股模型的时序分域探索总结

核心内容

本报告探讨了在A股市场中，通过时序分域训练方式提升GRU选股模型表现的可能性。传统的统一训练GRU模型在样本外表现较为稳定，能够捕捉价量序列中的非线性信息，但在不同市场环境下可能出现适应性问题。为此，研究尝试结合宏观经济、趋势震荡、市场流动性、全市场波动率、行业分离度等变量构建分域GRU模型，以提升模型在不同市场状态下的有效性。

主要观点

• 统一模型表现：GRU模型基于价量数据，在样本外表现稳定，RankIC均值为6.21%，多头年化超额为8.93%，多空年化收益为31.31%。但模型在2023、2026年表现偏弱，且在沪深300股票池中区分能力有限。
• 时序分域方法：通过外部状态标签将样本划分为不同市场状态，分别训练GRU模型，再根据当前状态选择模型进行预测，以提升模型的适应性。
• 分域效果：宏观经济、趋势震荡分域效果最显著，其中宏观分域提升RankIC 0.38pct，趋势震荡分域提升RankIC 0.23pct。其他如市场流动性、全市场波动率、行业分离度分域也有一定改善，但效果相对有限。

关键信息

宏观经济分域

• RankIC提升：全样本池RankIC由6.21%提升至6.59%，多头年化超额由10.17%提升至11.60%，多空年化收益由35.95%提升至40.22%。
• 分状态表现：宏观正向状态下IC和收益改善更明显，而宏观负向状态下的表现相对稳定。
• 分股票池表现：沪深300、中证500、中证1000均有改善，其中中证1000改善最明显。

趋势震荡分域

• RankIC提升：全区间RankIC由6.21%提升至6.45%，多头年化超额由8.93%提升至9.84%，多头超额回撤由-8.66%收窄至-4.15%。
• 分状态表现：震荡状态下RankIC提升0.38pct，多头年化收益提升1.93pct，回撤改善0.95pct；趋势状态下RankIC提升0.11pct，但年化收益略有下降。
• 分股票池表现：沪深300、中证500、中证1000均有所改善，其中中证1000表现最佳。

市场流动性分域

• RankIC变化：流动性绝对水平分域RankIC下降0.36pct，流动性边际改善分域RankIC下降0.43pct。
• 收益表现：多头年化超额有所提升，回撤改善明显，但整体效果不如宏观和趋势震荡分域。
• 分股票池表现：沪深300、中证1000改善较明显，中证500改善有限。

全市场波动率分域

• RankIC提升：全区间RankIC由6.21%提升至6.45%，多头年化超额提升0.91pct，回撤改善4.52pct。
• 分状态表现：低波动状态下RankIC下降0.24pct，但多头收益提升1.93pct；高波动状态下RankIC提升0.68pct，回撤改善3.39pct。
• 分股票池表现：沪深300、中证1000改善更明显，中证500改善有限。

行业分离度分域

• RankIC提升：全区间RankIC由6.21%提升至6.35%，多头年化超额提升0.66pct，多空年化收益提升1.40pct。
• 分状态表现：行业低分离度状态下分域效果更好，RankIC提升0.36pct，多头年化超额提升1.48pct；高分离度状态下RankIC略有下降，多头收益无明显改善。
• 分股票池表现：沪深300、中证500、中证1000均有所提升，其中沪深300和中证1000改善更显著。

研究启发与后续方向

• 当前分域方法采用单一硬切分，可能忽略状态中性、状态过渡及多种风格并存情况。
• 后续研究可转向更一般的机制转换或动态模型混合框架，如利用多维变量识别隐含市场状态，或将状态概率作为特征或模型权重引入GRU模型，以提升模型的适应性和稳定性。

风险提示

• 本报告结果基于历史数据和特定回测假设，不构成投资建议。
• 模型效果可能受市场环境变化、数据质量、参数设定、交易成本等因素影响。