20240419-华创证券-AI+HI系列（4）_CrossGRU_基于交叉注意力的时序+截面端到端模型_30页_2mb

CrossGRU模型总结

CrossGRU模型是一种改进的时序深度学习模型，旨在挖掘量化投资中的端到端量价因子。常见时序模型如GRU忽略了股票间的截面依赖关系，导致在市场环境变化时表现不佳。CrossGRU通过引入截面交互模块，保持了GRU的高效性，无需额外变量或图结构。

模型的核心设计基于GRU提取时序信息，并加入交叉注意力机制和“市场隐变量”路由机制。市场隐变量作为中间路由，捕捉股票间的全局相互影响，并通过可学习的残差连接实现时序与截面信息的自适应融合。这种方法端到端实现，提高了模型的简洁性和功能。

测试结果显示，CrossGRU在中证全指股票池回测中优于GRU基线。5日RankIC达109%，10日RankIC达117%，均略高。分组测试中，TOP组年化超额收益提升7%，最大回撤降低至8% vs 21%。特别是在2018年和2024年市场波动期，CrossGRU表现更优。

消融实验验证了截面交互的正面效果。调整市场隐状态数量（c）后，CrossGRU的IC和收益表现依然稳定。简化模型CsAGRU（使用加性注意力）同样提升GRU性能。

总体而言，CrossGRU有效结合了时序与截面信息，在因子挖掘中增强模型鲁棒性。通过参数组合（如c值ensemble），模型泛化能力进一步提升。

风险提示：策略基于历史数据回测，不保证未来有效性；模型存在过拟合及随机数影响风险；实际应用需注意市场变化。