量化策略演进手记系列之三：GRU选股模型的时序分域探索.pptxVIP

——量化策略演进手记系列之三

l近两年，市场环境变化速度较快，也对神经网络类的选股模型提出了更高的要求：不同市场环境往往对应着不同的交易模式，传统的统一训练效果可能出现衰减。本报告中，我们从传统的统一训练GRU模型出发，在A股上构建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，探讨时序分域训练能否对GRU选股策略有效性进行提升。

l统一模型表现：使用高开低收、成交量等基础价量数据的GRU模型在样本外能够较稳定地捕捉价量序列中的非线性信息，多头超额和多空组合均体现出一定有效性，2023、2026年相