量化模型与构建方式 1. 模型名称：GAN_GRU模型 - 模型构建思路：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，用于挖掘量价时序特征并预测股票收益[9][10] - 模型具体构建过程： 1. 数据预处理：使用过去400天的18个量价特征（如收盘价、成交量等），每5天采样一次，形成40×18的时序特征矩阵[14] 2. GAN部分： - 生成器（LSTM）：输入噪声生成模拟量价特征，损失函数为判别器对生成数据的判别概率： $L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z))))]$ [20] - 判别器（CNN）：区分真实与生成数据，损失函数为： $L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$ [23] 3. GRU部分：将GAN生成的特征输入GRU(128,128)层，接MLP(256,64,64)输出预测收益pRet作为选股因子[18] 4. 训练方式：半年滚动训练，行业市值中性化处理[14][18] - 模型评价：通过对抗训练提升特征生成能力，保留时序特性，适配金融数据的高噪声特点[29][33] --- 模型的回测效果 1. GAN_GRU模型 - IC均值：11.73%（全A股，2019-2025）[37] - ICIR：0.90[38] - 年化超额收益率：24.89%[38] - 信息比率（IR）：1.66[38] - 最大回撤：27.29%[38] - 最新一期IC：0.22%（2025年4月）[37] - 行业表现： - 当期IC最高行业：银行（33.46%）、钢铁（30.85%）[39] - 近一年超额收益最高行业：家用电器（5.56%）、石油石化（5.39%）[41] --- 量化因子与构建方式 1. 因子名称：GAN_GRU因子 - 因子构建思路：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化后作为选股因子[18][37] - 因子具体构建过程： 1. 输入原始量价时序特征（40天×18维）[14] 2. 通过GAN生成增强特征，GRU编码后输出预测收益[34] 3. 截面标准化并剔除ST股及上市不足半年的股票[14] --- 因子的回测效果 1. GAN_GRU因子 - 多头组合年化收益：36.06%[38] - 年化波动率：23.80%[38] - 换手率：0.83[38] - 近一年IC均值：11.44%[37] - 行业多头超额收益：纺织服饰（6.78%）、基础化工（5.61%）[41] --- 多头组合示例（2025年4月） - 前十个股：国网英大、海容冷链、陕西能源等[44][46] - 行业排名第一个股：非银金融（国网英大）、机械设备（海容冷链）[44]