金融工程专题：结合GRU空头结构的多维度沪深300增强策略.pptx

结合GRU空头结构的多维度沪深300增强策略;增强模型介绍：空头部分利用GRU模型基于日频量价信息对股票价格等时间序列数据进行预测；多头部分，对价量波动、价量趋势、基本面因子做PCA降维。过去对机器学习因子、低频基本面价量因子的关注更多在多头，但我们认为空头的收益在一定程度上可以补足多头的撤回，空头的负向偏离在指数增强里也能够产生稳定收益。

GRU模型空头因子增强：使用6个股票日行情（开盘价、最高价、最低价、收盘价、成交量、成交额）特征构建日度因子，基于GRU模型以对股票价格等时间序列数据进行预测。由于训练网络以及损失函数的构造相对简单，GRU因子多头超额收益不显著，但是空头相对明显

。由于GRU多空收益偏向于空头收益占优，因此最终在沪深300增强中仅对部分空头进行暴露。

价量低频因子：因子分两类，一类是在沪深300里面长期有效（单调性强）的因子，主要为波动和收益相对风险类因子。波动类包含低波动、低换手、高下行方差比、低估值等。收益损失方差比因子空头和多头意味着缩量下跌的股票以及缩量上涨的股票，其多空收益较为明显。第二类是在中期反转叠加短期趋势的因子，在全部区间里面沪深300里面单调性并不明显，但是在2019、2020年表现相对优秀。利用PCA提取价量多因子主成分，价格波动保留第一主成分代表低波动低换手低估值、第二主成分代表损失方差相对收益方差更高的特征信息

，价量趋势保留第一主成分代表短周期动量特征、第四主成分代表近3个月估值反转特征信息。

基本面低频因子：筛选10个在沪深300相对有效的基本面因子。股利支付率、每股股利、每股留存收益、每股企业现金流越高，股票收益越高；周转率越高、固定资产比例越高，股票收益越高，说明300里面具有规模效应的龙头股票更站优势；分析师相较于60日收益上调的股票更有优势；经营活动现金流占比营收越高越好。利用PCA提取基本面多因子主成分，保留第一主成分代表高经营活动、第二主成分代表高分红和高现金流的特征信息。

约束个股偏离的指数增强。将GRU因子与低频多因子一起应用到指数增强上面，控制个股偏离不超过1%???由于GRU多空收益较为偏向于空头收益占优，因此最终在300增强里仅对部分空头进行暴露，设置偏离度1%，对最低的10%组（第一组）偏离1倍，第二组偏离0.7倍，第三组偏离0.3倍。2016年3月2日至2024年11月22日，组合低频多因子和GRU因子，最终策略增强年化超额5.17%，信息比1.31，大部分年份超额均为正。

风险提示：本报告所有分析均基于公开信息，不构成任何投资建议；报告中采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；报告中结论均基于对历史客观数据的统计和分析，但过往数据并不代表未来表现；若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；历史规律总结仅供参考，或不会完全重演。;;4;5;? 增强模型介绍;循环神经网络结构（RNN）的变体，可以对股票价格等时间序列数据进行预测

从功能上看，GRU模型是循环神经网络结构（RNN）的变体，可以对股票价格等时间序列数据进行预测。解决了传统RNN在处理长序列数据时遇到的梯度消

失和梯度爆炸问题。通过引入门控机制来控制信息的流动，从而有效地捕捉长期依赖关系。

从模型特点上看，GRU相较于LSTM的结构更为简单（只有两个门控结构：更新门和重置门，而没有单独的记忆单元），因此参数数量较少，GRU模型在训练过程中收敛速度更快，但也可能带来过拟合的风险。;使用低频行情数据作为特征因子

使用股票日行情：开盘价、最高价、最低价、收盘价、成交量、成交额6个特征构建日度因子。

数据输入模型前，我们将基础特征滚动20日窗口构建数据集，数据序列长度为20。价格数据先除以最新收盘价标准化，最后做截面数据标准化处理；成交量

或成交额数据除以序列均值标准化，最后做截面数据标准化处理。;以股票T+1至T+6的vwap价格计算的收益率为预测目标;10;11;12;? 增强模型介绍;14;整体单调性较强的因子：波动+收益相对风险类;强趋势行情下有效的因子：动量趋势类;;波动+换手因子：滚动PCA降维;波动+换手类PCA：F1因子（低波、低换手、相对低估值）;波动+换手类PCA：F1因子（低波、低换手、相对低估值）;波动+换手类PCA：F2因子（低收益相对金额比）;波动+换手类PCA：F2因子（低收益相对金额比）;趋势里面偏强势的因子：动量趋势类;;动量趋势类PCA：F1（代表短周期动量特征）;;动量趋势类PCA：F4（代表近3个月估值反转特征）;中期反转叠加短期动量：F1+F4;中期反转叠加短期动量：F1+F4;? 增强模型介绍;筛选在沪深300相对有效的基本面因子10个

在沪深30