Alpha掘金系列之十二：排序学习对GRU选股模型的增强-240821-国金证券-21页_1mb

报告总结

1. 融入注意力机制的GRU（AGRU）表现出色

• 通过借鉴DA-RNN的两阶段注意力机制，优化GRU模型以解决实际应用中的算力限制与效果提升问题。
• 改进后的AGRU因子在选股表现上显著优于传统GRU，IC均值从1442%提升至1443%，多头年化超额收益率从1763%提升至1763%，信息比率从270提升至275。
• 在沪深300、中证500、中证1000等不同股票池中均有显著提升，尤其在大盘股池中表现更好。

2. 排序学习提升选股因子的收益与稳定性

• 通过引入排序学习损失函数（如DCGHingeLoss、LambdaNDCG2、NeuralNDCG）与传统回归模型（MSE）进行线性组合，得到了表现更优的因子。
• 合成因子的IC均值在全A股票池中达到1382%，多头年化超额收益率为1969%，多头信息比率达到298%。
• 排序学习损失函数与回归损失函数组合后，在中证1000股票池中IC均值为1443%，年化超额收益率达2826%。

3. 多轮参数取平均对抗过拟合

• 通过取多个Epoch（此处为5个）模型参数的均值，有效缓解过拟合问题，提升了模型在样本外的稳健性。
• 在AGRU因子中，5轮参数均值模型的IC均值从1434%提升至1443%，多头年化超额从1853%提升至1852%，最大回撤得到缓解。
• 此方法在沪深300、中证500、中证1000等指数增强策略中均表现出较好的稳定性。

4. 指数增强策略实证结果

• 沪深300指数增强策略年化超额收益率达1660%，超额最大回撤为378%。
• 中证500指数增强策略年化超额收益率为1920%，超额最大回撤425%。
• 中证1000指数增强策略年化超额收益率高达2981%，但相对也承受更高的波动与回撤（804%）。

风险提示

• 回测结果基于历史数据，市场环境变化可能导致策略失效。
• 实际回测依赖简化假设，交易成本上升可能影响策略收益。

此报告展示了通过改进GRU模型、引入排序学习与多轮参数优化等方案，有效提高了量子选股策略的收益与稳健性，具体表现在不同宽基指数增强策略中具有高额年化收益与信息比率优势。