根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. 模型名称：日行情GRU模型 - 构建思路：基于股票过去240个交易日的量价信息预测次月收益率[15] - 具体构建过程： - 输入数据：开盘价、最高价、最低价、收盘价、成交量、成交额、换手率（7个字段） - 数据标准化：对每个字段的240个值进行z-score标准化[16] - 预测目标：截面标准化的次月收益率（月初开盘价至月末收盘价） - 训练方式：滚动6年样本，按4:1划分训练集/验证集，连续10轮早停训练[16] - 模型评价：超额收益稳定，但2024年后表现有所减弱[19] 2. 模型名称：日行情+基本面GRU模型 - 构建思路：在日行情模型基础上拼接20个财务指标TTM值[25] - 具体构建过程： - 财务数据处理：直接使用最新季报TTM值拼接至量价矩阵[26] - 输入矩阵标准化后输入GRU网络[26] - 模型评价：2022年前表现与基准相近，2023年后显著弱于纯量价模型[34] 3. 模型名称：日行情+调整基本面GRU模型 - 构建思路：对财务指标进行日频化处理以解决数据频率不匹配问题[35] - 具体构建过程： - 调整公式： $\mathrm{DFTTM}_{\mathrm{q1}}={\frac{\mathrm{FactorTTM}_{\mathrm{q1}}-\mathrm{FactorTTM}_{\mathrm{q0}}}{a b s\big(\mathrm{FactorTTM}_{\mathrm{q0}}\big)}}$ $Factort = FactorTTMq + abs(FactorTTMq ) ( 90 1)$[36] - 按财报期增速每日调整TTM值[36] - 模型评价：2022年前表现显著增强，2023年后仍弱于基准[42] 4. 模型名称：barra5d+日行情+精简基本面GRU模型 - 构建思路：混频模型结合长期预测（日行情）与短期预测（分钟数据）能力[65] - 具体构建过程： - 分钟数据模型输入：日内240分钟数据预测未来5日收益率[56] - 精简基本面：仅保留净利润TTM和市值因子[45] - 模型叠加：相关性较低的两类GRU模型输出加权组合[65] - 模型评价：解决单一模型周期性问题，年度超额分布更均匀[80] 模型的回测效果 1. 日行情GRU模型 - 年化超额收益：8.75% - 信息比率(IR)：2.25 - 最大回撤：4.71%[23] 2. 日行情+基本面GRU模型 - 年化超额收益：6.86% - 信息比率(IR)：1.46 - 最大回撤：6.14%[33] 3. 日行情+调整基本面GRU模型 - 年化超额收益：7.76% - 信息比率(IR)：1.65 - 最大回撤：5.40%[44] 4. barra5d+日行情+精简基本面GRU模型 - 中证1000增强组合： - 年化超额收益：11.82% - 信息比率(IR)：2.39 - 最大回撤：5.70%[78] - 其他指数增强表现： - 沪深300年化超额：5.70%[82] - 中证500年化超额：6.46%[86] - 科创综指年化超额：6.28%[88] 关键创新点 - 财务数据日频化处理通过增速平滑实现[36] - 混频模型有效结合不同时间尺度预测能力（分钟级+日级）[65] - 精简基本面因子可提升模型稳定性（净利润TTM+市值）[45]