權益配置因子研究：基于GRU、TCN模型的深度學習因子選股效果研究.pdf

權益配置因子研究：基于GRU、TCN模型的深度學習因子選股效果研究。本報告使用 GRU 和 TCN 模型訓練深度學習因子，測試選股效果。模型效果上， GRU 略好于 TCN+GRU，略好于 TCN；預測 10 日收益模型略好于預測 5 日模型。 深度學習因子與低波動、低流動性因子相關性較高。構建指數增強選股策略，控制 市值行業無暴露，2017 年以來滬深 300 增強年化超額 11.8%，本年超額-0.4%；中 證 500 指數增強策略年化超額 13.6%，本年超額 2.7%；中證 1000 增強年化超額 21.7%，本年超額 9.9%；中證 2000 增強年化超額 27.1%，本年超額 9.3%。

深度學習模型選股上應用廣泛。本報告使用 GRU、TCN 模型訓練 深度學習因子。GRU 雖然是 RNN 中比較簡單的模型，但被證實有 效后，以其預測效果好訓練速度快的特點，在業內得以廣泛使用。 TCN 是基于 CNN 架構，通過因果卷積、擴張卷積和殘差連接等技 術，有效捕捉時間序列中的長期依賴關系的模型。

模型訓練過程說明。輸入數據集：30 日行情、60 日行情、30 周行 情，6 個特征（高、開、低、收、均價、換手率）。預測標簽：t+1 日 至 t+6 日的 5 日均價漲跌幅、t+1 日至 t+11 日的 10 日均價漲跌幅。 訓練過程：2017 年以來，每年訓練一個模型供下一年使用，使用前 9 年數據為訓練集，第 10 年數據為驗證集。損失函數：預測值和收 益率的相關系數取負。使用模型：TCN、TCN+GRU、GRU。

單因子選股效果。多頭組在中小市值股票池（中證 1000、中證 2000） 超額更高，選股效果更好，因子值是否市值行業中性化影響較小； 滬深 300 中因子原始值的效果明顯好于市值行業中性化后因子值。 市值行業中性化后因子超額收益明顯減少，部分說明深度學習因子 捕捉到風格輪動、行業輪動的規律。模型表現上，GRU 略好于 TCN+GRU，略好于 TCN；預測 10 日收益模型超額收益略高于預測 5 日收益模型。

復合因子選股效果。深度學習因子與低波、低流動性因子相關性較 高，反轉因子也有一定相關性。與分鐘高頻因子、快照因子相關性 不高，與基本面因子相關性較低。等權加權后的復合因子效果均好 于單因子。構建指數增強策略，設置成分股不少于 80%，單邊換手 率不超 20%約束，控制市值行業無暴露， 2017 年 1 月以來，滬深 300 指數增強年化超額 11.8%，超額最大回撤-6.0%；截至 2025 年 6 月 30 日，本年超額-0.4%，超額最大回撤-3.1%。中證 500 指數增強 年化超額 13.6%，超額最大回撤-7.1%；本年超額 2.7%，超額最大回 撤-4.2%。中證 1000 指數增強年化超額 21.7%，超額最大回撤-9.3%； 本年超額 9.9%，超額最大回撤-2.1%。中證 2000 指數增強年化超額 27.1%，超額最大回撤-5.2%；本年超額 9.3%，超額最大回撤-3.4%。 允許市值行業適當暴露（市值暴露最大偏離 0.5 個標準差，行業權 重最大偏離 2.5%），2017 年 1 月以來，滬深 300 指數增強年化超額 8.8%，超額最大回撤-9.90%；截至 2025 年 6 月 30 日，本年超額1.7%，超額最大回撤-3.6%。中證 500 指數增強年化超額 14.6%，超 額最大回撤-9.2%；本年超額 5.2%，超額最大回撤-1.6%。中證 1000 指數增強年化超額 22.3%，超額最大回撤-8.3%；本年超額 9.0%，超 額最大回撤-1.6%。中證 2000 指數增強年化超額 26.2%，超額最大 回撤-5.2%；本年超額 5.3%，超額最大回撤-3.6%。如果考慮雙邊 0.3% 交易費用，每年收益減少約 3%。