川海智库

报告概述

本报告从传统统一训练的GRU选股模型出发，在A股上构建基于基础量价数据的GRU选股因子，并尝试结合宏观经济、趋势震荡、市场流动性、全市场波动率、行业分离度等时间序列变量，构建分域GRU模型。报告详细介绍了分域训练的方法论，包括状态划分、专家模型训练和测试期模型选择，并通过全样本回测和分股票池、分年度表现对比，验证时序分域训练对GRU选股策略有效性的提升。报告旨在帮助量化投资者理解不同市场状态下价量结构特征的差异，并提供可落地的选股增强方案。

报告的核心结论

统一GRU模型在A股选股中有效，但不同年份表现有差异。

基于基础价量数据的统一GRU模型在2021-2026年样本外区间中，全区间截面RankIC均值为6.21%，Top20%多头年化超额8.93%，多空年化收益31.31%。模型在2022、2024、2025年表现较强，但在2023、2026年相对偏弱，且沪深300股票池排序能力弱于中证500和中证1000。

宏观经济分域和趋势震荡分域对GRU模型提升效果最明显。

在宏观状态、趋势震荡、市场流动性、全市场波动率、行业分离度等分域测试中，宏观经济分域和趋势震荡分域的效果最为突出。宏观分域下，经济上行阶段改善更明显，沪深300和中证500的改善优于小股票池；趋势震荡分域中，震荡状态下的模型改善更显著，回撤改善明显。

分域GRU模型可进一步提升指数增强组合的超额收益。

将统一模型、宏观分域、趋势震荡分域的因子加入沪深300和中证500的因子共振指数增强模型后，两种分域模型均对指数增强表现有增量贡献。趋势震荡分域在沪深300指数增强中超额收益增加约1%，宏观分域和趋势震荡分域在中证500指数增强中超额收益增加超过1%，且多数年份有正贡献。

现有硬分域方法存在局限性，可向动态模型混合框架演进。

当前分域每次只依据一个变量进行硬切分，可能忽略状态中性、过渡及复杂风格并存的情况，且减少单个模型训练样本。未来研究可从单一硬分域转向利用多维变量识别隐含市场状态的机制转换或动态模型混合框架，将状态概率作为特征或权重引入GRU模型。

报告回答的关键问题

GRU选股模型在A股有效性如何？

报告显示，基于40日量价序列的GRU模型在2021-2026年样本外区间表现有效。全区间截面RankIC均值6.21%，多头年化超额8.93%，多空年化收益31.31%。模型在中证1000股票池中排序能力最稳定，沪深300中相对较弱。

时序分域训练能否提升GRU选股策略？

能。报告测试了宏观经济、趋势震荡等六种分域，其中宏观经济分域和趋势震荡分域效果最明显。宏观分域将RankIC从6.21%提升至6.59%，多头超额提升1.43pct；趋势震荡分域在震荡状态下RankICIR从0.59提升至0.72，超额回撤明显改善。

分域GRU模型如何应用于指数增强？

将分域GRU因子作为独立alpha因子加入因子共振指数增强模型。回测显示，趋势震荡分域在沪深300指数增强中年化超额增加约1%（从9.87%至10.87%），宏观分域在中证500指数增强中年化超额增加1.24pct（从13.08%至14.32%）。

哪类市场状态更适合分域训练？

报告发现，宏观经济上行期、趋势震荡中的震荡状态、高波动环境、行业低分离度状态下，分域训练改善更明显。这些状态下价量结构特征与统一模型默认的稳定假设差异更大，分域模型能更好捕捉特定交易模式。

报告中的代表性数据

6.21%

统一GRU模型全区间RankIC均值

2021年至2026年3月，基于基础量价数据训练的GRU模型在样本外全区间日均截面RankIC均值，表明模型对股票未来收益具有有效横截面排序能力。

1.43%

宏观经济分域模型多头年化超额提升

全区间，宏观分域模型相比统一模型，Top20%多头年化超额由10.17%提升至11.60%，提升1.43个百分点，但最大回撤也扩大1.95pct。

0.13

趋势震荡分域模型在震荡状态下的RankICIR提升

全区间，在震荡状态下，趋势震荡分域模型的RankICIR由统一模型的0.59提升至0.72，提升0.13，显示排序稳定性改善明显。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整研究框架与方法论说明：包含GRU模型结构选择（hidden size=16，1层GRU，dropout=0.2）、训练方式（年度滚动训练、早停指标等）、样本构建（40日窗口、7个价量特征）的详细参数设定。
  • 统一GRU模型分股票池（沪深300、中证500、中证1000）和分年度的详细表现数据，包括五分组超额收益图、RankIC、多头和多空收益回撤等。
  • 宏观经济分域的具体构建方法：基于经济、流动性、信用三维度综合判断宏观方向，以及分域训练步骤——按上行/下行分别训练GRU专家模型。
  • 趋势震荡分域的三种测试方法（zig-zag标签、等权预测、决策树预测）的比较分析，以及决策树预测标签的构建细节。
  • 市场流动性分域（绝对水平和边际变化）、全市场波动率分域、行业分离度分域的信号构建公式和回测结果，包括分状态、分股票池表现。
  • 分域GRU因子加入因子共振指数增强模型的应用案例：包含沪深300和中证500指数增强组合的净值曲线、超额收益、信息比等指标，以及年度超额收益对比表。
  • 风险提示与声明：详细说明历史回测的局限性，包括市场环境变化、数据质量、参数设定等因素对模型效果的影响。
  • 后续研究方向：从硬分域转向机制转换或动态模型混合框架的初步思路，以及多维状态变量组合的设想。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告