基于GRU、TCN模型的深度学习因子选股效果研究

基于GRU、TCN模型的深度学习因子选股效果研究 ——权益配置因子研究09 本报告导读： 张雪杰(分析师)0755-23976751zhangxuejie@gtht.com登记编号S0880522040001 本报告使用GRU和TCN模型训练深度学习因子，测试选股效果。模型效果上，GRU略好于TCN+GRU，略好于TCN；预测10日收益模型略好于预测5日模型。深度学习因子与低波动、低流动性因子相关性较高。构建指数增强选股策略，控制市值行业无暴露，2017年以来沪深300增强年化超额11.8%，本年超额-0.4%；中证500指数增强策略年化超额13.6%，本年超额2.7%；中证1000增强年化超额21.7%，本年超额9.9%；中证2000增强年化超额27.1%，本年超额9.3%。 朱惠东(分析师)0755-23976176zhuhuidong@gtht.com登记编号S0880525070025 投资要点： 风格轮动量化模型和月度观点介绍2025.07.13解码企业生命周期：股票投资的新范式探索2025.06.09量化赋能多路径破局绝对收益2025.06.03核心指数定期调整预测及基于全市场的套利策略研究2025.05.25从涨停板、"打板策略"到赚钱效应引发的情绪择时指标2025.05.22 模型训练过程说明。输入数据集：30日行情、60日行情、30周行情，6个特征（高、开、低、收、均价、换手率）。预测标签：t+1日至t+6日的5日均价涨跌幅、t+1日至t+11日的10日均价涨跌幅。训练过程：2017年以来，每年训练一个模型供下一年使用，使用前9年数据为训练集，第10年数据为验证集。损失函数：预测值和收益率的相关系数取负。使用模型：TCN、TCN+GRU、GRU。 单因子选股效果。多头组在中小市值股票池（中证1000、中证2000）超额更高，选股效果更好，因子值是否市值行业中性化影响较小；沪深300中因子原始值的效果明显好于市值行业中性化后因子值。市值行业中性化后因子超额收益明显减少，部分说明深度学习因子捕捉到风格轮动、行业轮动的规律。模型表现上，GRU略好于TCN+GRU，略好于TCN；预测10日收益模型超额收益略高于预测5日收益模型。 感谢实习生阳文韬、饶师媛、刘子睿对本文的贡献。 复合因子选股效果。深度学习因子与低波、低流动性因子相关性较高，反转因子也有一定相关性。与分钟高频因子、快照因子相关性不高，与基本面因子相关性较低。等权加权后的复合因子效果均好于单因子。构建指数增强策略，设置成分股不少于80%，单边换手率不超20%约束，控制市值行业无暴露，2017年1月以来，沪深300指数增强年化超额11.8%，超额最大回撤-6.0%；截至2025年6月30日，本年超额-0.4%，超额最大回撤-3.1%。中证500指数增强年化超额13.6%，超额最大回撤-7.1%；本年超额2.7%，超额最大回撤-4.2%。中证1000指数增强年化超额21.7%，超额最大回撤-9.3%；本年超额9.9%，超额最大回撤-2.1%。中证2000指数增强年化超额27.1%，超额最大回撤-5.2%；本年超额9.3%，超额最大回撤-3.4%。允许市值行业适当暴露（市值暴露最大偏离0.5个标准差，行业权重最大偏离2.5%），2017年1月以来，沪深300指数增强年化超额8.8%，超额最大回撤-9.90%；截至2025年6月30日，本年超额-1.7%，超额最大回撤-3.6%。中证500指数增强年化超额14.6%，超额最大回撤-9.2%；本年超额5.2%，超额最大回撤-1.6%。中证1000指数增强年化超额22.3%，超额最大回撤-8.3%；本年超额9.0%，超额最大回撤-1.6%。中证2000指数增强年化超额26.2%，超额最大回撤-5.2%；本年超额5.3%，超额最大回撤-3.6%。如果考虑双边0.3%交易费用，每年收益减少约3%。风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。 请务必阅读正文之后的免责条款部分 目录 1.基于GRU和TCN训练深度学习因子..........................................................31.1.GRU和TCN模型介绍.............................................................................31.1.1.GRU模型............................................................................................31.1.2.TCN模型............................................................................................51.2.模型训练过程说明....................................................................................72.单因子选股效果展示......................................................................................92.1.不同股票池的因子rankIC........................................................................92.2.不同股票池的因子分组超额收益、因子收益......................................103.复合因子选股效果........................................................................................143.1.与常用选股因子相关性分析..................................................................143.2.不同股票池中复合因子选股效果..........................................................153.2.1.沪深300指数成分股.......................................................................163.2.2.中证500指数成分股.......................................................................173.2.3.中证1000指数成分股.....................................................................193.2.4.中证2000指数成分股.....................................................................213.2.5.中证全指指数成分股.......................................................................224.总结................................................................................................................245.参考文献........................................................................................................256.风险提示........................................................................................................25 在之前的权益配置因子研究系列报告中，我们依次研究了超预期因子、分钟高频因子、3秒快照因子在不同股票池的选股效果，介绍了中证500、中证1000和中证2000等指数增强策略的构建，实现了基于CNE6的A股风险模型（风险因子、协方差矩阵估计）。本篇报告使用GRU和TCN模型训练深度学习因子，并对其选股效果进行测试。首先，介绍GRU和TCN模型和训练过程。然后，采用日行情、周行情数据作为输入训练深度学习因子，并在各股票池进行单因子测试，展示选股效果。最后，等权加权得到复合因子，测试其在各股票池的指数增强策略表现。 1.基于GRU和TCN训练深度学习因子 深度学习模型在选股上应用越来越广泛。我们使用GRU、TCN模型训练深度学习因子。GRU模型虽然是循环神经网络RNN中比较简单的一个模型，但被证实有效后，以其预测效果好训练速度快的特点，在业内得以广泛使用。TCN模型是基于卷积神经网络（CNN）架构，通过因果卷积、扩张卷积和残差连接等技术，有效捕捉时间序列中的长期依赖关系的模型。下面对两个模型进行简要介绍。 1.1.GRU和TCN模型介绍 1.1.1.GRU模型 门控循环单元（Gated Recurrent Unit，GRU）是一种改进的循环神经网络（RNN）结构，由Cho等人（2014）提出，旨在解决传统RNN在处理长序列时的梯度消失/爆炸问题，并简化LSTM的复杂结构，同时保持对长期依赖关系的建模能力。GRU通过门控机制动态控制信息的保留与遗忘，广泛应用于时间序列预测、自然语言处理（如机器翻译、文本生成）和语音识别等领域。 数据来源：Olah(2015)Understanding LSTM Networks。 数据来源：Olah(2015).Understanding LSTM Networks。 GRU模型GRU包含两个门控单元：更新门（Update Gate）和重置门（Reset Gate），均为sigmoid激活函数（输出0~1的权重）。其计算过程如下： 更新门（Update Gate,𝑧௧）： 作用：决定前一步隐藏状态（ℎ௧−1）有多少保留到当前状态（ℎ௧）。 公式：𝑧௧=ܹ(ߪ௥∗ [ℎ௧−1ݔ ,௧]) 行为： 若𝑧௧≈1，则直接传递前一步隐藏状态（类似“记忆”）。若𝑧௧≈0，则忽略前一步状态，依赖当前输入。 重置门（Reset Gate,ݎ௧）： 作用：决定前一步隐藏状态有多少用于生成候选隐藏状态（ℎ௧̃）。 公式：ݎ௧=ܹ(ߪ௥∗ [ℎ௧−1ݔ ,௧]) 行为：若ݎ௧≈0，则忽略前一步状态，仅依赖当前输入（类似“重置”记忆）。若ݎ௧≈1，则前一步状态与当前输入共同决定候选状态。 GRU模型关键特性与优势: 1)缓解梯度消失：通过门控机制保留长期依赖信息，避免梯度在反向传播时迅速衰减。2)并行计算：虽然仍按时间步展开，但每个门控的计算可并行化（相比LSTM更高效）。3)参数效率：合并细胞状态与隐藏状态，减少冗余参数，适合小数据集或 轻量级应用。 4)灵活性：可双向（Bi-GRU）或堆叠多层（Stacked GRU）以增强上下文建模能力。 GRU模型应用场景与实例: 1)时间序列预测：股价预测、气象数据建模。2)自然语言处理：a)机器翻译（如Google早期神经翻译模型）。b)文本生成（如诗歌、对话系统）。3)语音识别：声学模型中的序列到序列（Seq2Seq）架构。4)生物信息学：DNA序列分析、蛋白质结构预测。 1.1.2.TCN模型 时间卷积网络（Temporal Convolutional Network，TCN）是一种专为时间序列