量化模型与构建方式 1. 模型名称：GRU模型（包括open1d/close1d/barra1d/barra5d） - 模型构建思路：基于门控循环单元（GRU）神经网络构建，用于捕捉股票价格序列的时序特征，生成多空信号[7][33] - 模型具体构建过程： 1. 输入层：股票的历史价格序列（如开盘价、收盘价或Barra风格因子数据） 2. GRU层：通过门控机制学习时序依赖关系，公式为： $r_t = \sigma(W_r \cdot [h_{t-1}, x_t])$ $z_t = \sigma(W_z \cdot [h_{t-1}, x_t])$ $\tilde{h}_t = \tanh(W \cdot [r_t \odot h_{t-1}, x_t])$ $h_t = (1-z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t$ 3. 输出层：生成未来1日或5日的价格预测信号[33] - 模型评价：对市场风格切换敏感，close1d模型在中证1000股池表现较稳定[7][33] 2. 模型名称：多因子模型 - 模型构建思路：结合基本面与技术面因子，通过加权合成选股信号[33] - 模型具体构建过程： 1. 因子标准化：对估值、动量等因子进行Z-score标准化 2. 行业中性化：对因子值进行行业市值加权调整 3. 组合优化：约束行业偏离≤0.01、风格偏离≤0.5标准差，个股权重上限0.2%[33] 量化因子与构建方式 1. 因子名称：Barra风格因子（Beta/市值/动量/波动/估值等） - 因子构建思路：基于经典Barra框架，捕捉市场风险溢价来源[12][13] - 因子具体构建过程： - 动量因子：计算历史超额收益率序列均值 - 波动因子：复合计算方式 $0.74 \times \text{历史超额收益波动率} + 0.16 \times \text{累积超额收益离差} + 0.1 \times \text{残差收益波动率}$ - 流动性因子：换手率加权组合 $0.35 \times \text{月换手} + 0.35 \times \text{季换手} + 0.3 \times \text{年换手}$[13] - 因子评价：Beta和动量因子近期多空收益显著，市值因子持续负向[16] 2. 因子名称：技术类因子（20日/60日/120日动量/波动） - 因子构建思路：通过不同时间窗口捕捉价格波动特征[20][23][27] - 因子具体构建过程： - 动量类：计算过去N日收益率（20/60/120日） - 波动类：计算过去N日收益率标准差[23][27] 3. 因子名称：基本面因子（ROA/ROE/营业利润率等） - 因子构建思路：基于财务指标分析企业盈利能力[20][26] - 因子具体构建过程： - 超预期增长因子：分析师预测与实际增长的差值标准化[20] - 静态财务因子：采用TTM方式计算财务比率[17] 模型的回测效果 1. GRU模型： - 近一周超额收益：close1d（0.91%）、barra1d（-0.22%） - 今年以来IR：close1d（2.24%）、多因子（-2.30%）[35] 2. 多因子模型： - 近六月超额收益：-2.04%（中证1000基准）[35] 因子的回测效果 1. Barra风格因子： - Beta因子：近一周多空收益6.99%，三年年化17.54%[16] - 市值因子：近一月收益-49.96%，五年年化-32.12%[16] 2. 技术类因子： - 中证1000股池：20日波动因子近一周收益5.57%，五年年化-17.30%[32] - 沪深300股池：120日动量因子三年年化-6.23%[23] 3. 基本面因子： - 全市场：营业利润超预期增长因子近一周收益40.43%[20] - 中证500：ROA增长因子五年年化2.58%[27]