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，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10]。 - 模型具体构建过程： 1. 数据输入：18个量价特征（如收盘价、成交量等），采样形状为40*18（过去40天的特征）[13][14]。 2. 预处理：时序去极值+标准化，截面标准化[14]。 3. GAN部分： - 生成器（G）：LSTM结构，输入噪声生成逼真量价特征，损失函数为： $L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$ - 判别器（D）：CNN结构，区分真实与生成特征，损失函数为： $L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$ - 交替训练G和D直至收敛[20][21][23][26]。 4. GRU部分：两层GRU(128,128) + MLP(256,64,64)，输出预测收益pRet作为因子[18]。 - 模型评价：有效捕捉量价时序特征的非线性关系，生成因子具有较高区分度[9][18]。 --- 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+标准化处理后作为选股因子[18][37]。 - 因子具体构建过程： 1. 模型训练：半年滚动训练（每年6月30日、12月31日更新），预测未来20日收益[14]。 2. 因子生成：对全A股（剔除ST及上市不足半年股票）输出pRet，中性化处理[14][18]。 --- 模型的回测效果 1. GAN_GRU模型： - IC均值：11.57% | ICIR：0.89 | 年化超额收益率：25.01% - 年化波动率：24.02% | IR：1.66 | 最大回撤：27.29%[37][38]。 --- 因子的回测效果 1. GAN_GRU因子： - 全A表现： - 近一年IC均值：11.54% | 最新一期IC：-0.28%[37][38]。 - 行业表现： - 当期IC前五行业：社会服务（30.15%）、国防军工（28.07%）、银行（25.31%）[39]。 - 近一年超额收益前五行业：石油石化（5.60%）、建筑材料（5.29%）、家用电器（5.06%）[42]。 - 多头组合： - 当期超额收益最高行业：商贸零售（8.22%）、国防军工（7.15%）[42]。 - 最新前十个股：顺威股份、博深股份、九典制药等[44][48]。