人工智能和机器学习系列研究（1）：多模型、多数据、多跨度融合的深度学习GRU因子-西部证券.docxVIP

1|请务必仔细阅读报告尾部的投资评级说明和声明

金工量化专题报告

多模型、多数据、多跨度融合的深度学习GRU因子

人工智能和机器学习系列研究（1）

核心结论

证券研究报告

2024年07月02日

分析师冯佳睿S0800524040008

分析师

冯佳睿S0800524040008

fengjiarui@

联系人

王治舜

wangzhishun@

相关研究

多模型融合提升预测准确性。GRU模型具备很强的处理数据中长期依赖关系的能力，故被广泛应用于时间序列的预测。进一步引入双层GRU、CNN-GRU和Attention-GRU等变体后，我们能更全面地捕捉数据中的信息，从而提高预测精度。其中，双层GRU可以增加网络深度、CNN-GRU则利用了卷积神经网络的局部特征提取能力，Attention-GRU通过自注意力机制缓解了信息遗忘问题。多模型的融合，有望使最终的预测结果变得更加稳定和准确。

多类型数据融合拓宽信息来源。资金流数据追踪资金在市场中的流动，是反映市场情绪的重要指标。分钟频数据提供细粒度的价格和交易量变化，是投资者行为的直接体现。衍生高频因子通过加工价量数据，多角度刻画市场的微观结构。多类型数据的融合，拓宽了模型的数据来源，试图纳入更加全面的市场信息。

多时间跨度增强模型的鲁棒性。输入特征的时间跨度不仅在一定程度上决定着模型的风格偏好，而且也是灵敏性和鲁棒性的取舍。回测发现，用1、2、3年的数据作为模型输入，所得因子的相关性不到0.5。多时间跨度的融合，或可捕捉短、中、长期的市场规律，增强模型对不同市场周期的适应能力。

将数据类型、模型形式和时间跨度下的因子等权集成，得到最终的融合因子。其10日RankIC为0.131，ICIR为1.216，IC0比率为89.8%，这些指标与10分组单调性均优于按单一模型、单一数据和单一跨度的集成因子。

将多模型、多数据、多跨度融合的深度学习GRU因子用于收益预测，以最大化预期收益为目标函数，求解带约束的优化问题，得到不同指数的增强组合。2014.12-2024.05，沪深300指数增强组合年化超额收益为12.9%，跟踪误差为5.0%；中证500指数增强组合年化超额收益为15.2%，跟踪误差为5.5%；中证1000指数增强组合年化超额收益为21.7%，跟踪误差为6.4%。

简单的回测表明，至少在24年上半年，严格控制风险因子的暴露，仍可通过深度学习因子收获一定幅度的超额收益。2024年上半年，市场波动较大，小市值风格的回撤尤为明显，融合因子表现平平。尤其是2024年2月，各成分股内，因子的RankIC和多空收益都显著为负。我们认为，深度学习类因子的alpha或依然存在，但其在某些风格因子上的beta风险才是决定性的。

风险提示：模型失效风险，市场风格变化风险，数据测算误差风险。

金工量化专题报告西部证券2024年07月02日

金工量化专题报告

2|请务必仔细阅读报告尾部的投资评级说明和声明

索引

内容目录

一、引言 4

二、深度学习模型简介 4

三、GRU因子的构建与融合 5

3.1资金流GRU因子 6

3.1.1资金流类因子 6

3.1.2资金流GRU因子及其集成 7

3.2分钟频GRU因子 9

3.3衍生高频GRU因子 11

3.3.1衍生高频因子 11

3.3.2衍生高频GRU因子及其集成 13

3.4多模型与多数据的融合 15

四、指数增强组合 18

4.1沪深300指数增强 18

4.2中证500指数增强 19

4.3中证1000指数增强 20

五、2024年融合因子表现回顾 21

六、总结与讨论 23

七、风险提示 24

图表目录

图1：GRU系列模型池 5

图2：资金流GRU因子各期及累计RankIC 8

图3：资金流GRU因子与Barra因子相关性1 8

图4：资金流GRU因子与Barra因子相关性2 8

图5：分钟频GRU因子各期及累计RankIC 10

图6：分钟频GRU因子与Barra因子相关性1 11

图7：分钟频