量化模型与构建方式 1. 模型名称：GAN_GRU模型[4][13] * 模型构建思路：利用生成式对抗网络（GAN）对量价时序特征进行增强处理，再利用门控循环单元（GRU）模型对处理后的时序特征进行编码，最终输出股票的未来收益预测作为选股因子[4][13]。 * 模型具体构建过程： 1. 数据准备：使用个股过去400个交易日的18个量价特征[14][17][19]。每5个交易日进行一次特征采样，采样形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。 2. 数据处理：对每次采样的40天内的每个特征，在时间序列上进行去极值+标准化处理；同时，在每个截面上对所有个股的每个特征进行标准化[18]。 3. GAN特征生成： * 生成器 (G)：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出增强后的量价时序特征（形状仍为(40, 18)）[33][37]。生成器的目标是让判别器无法区分其生成的数据与真实数据，其损失函数为： $L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$ 其中，z是随机噪声，G(z)是生成器输出的数据，D(G(z))是判别器判断G(z)为真实数据的概率[24]。 * 判别器 (D)：采用卷积神经网络（CNN）模型，用于判断输入数据是真实量价特征还是生成器生成的假特征[33]。其损失函数为： $L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$ 其中，x是真实数据，D(x)是判别器判断x为真实数据的概率[27]。 * 训练过程：交替训练生成器和判别器，使两者相互对抗、共同提升[29][30]。 4. GRU收益预测：将GAN生成器增强后的特征输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机（MLP(256, 64, 64)）[22]。模型最终输出的预测收益（pRet）即为GAN_GRU选股因子[22]。 5. 模型训练： * 训练/验证集划分：80%的数据用于训练，20%用于验证[18]。 * 训练方式：采用半年滚动训练，每年6月30日和12月31日各训练一次模型，用于预测未来半年的收益[18]。 * 样本筛选：选取全市场股票，剔除ST股及上市不足半年的股票；同时剔除标签（未来收益）为空值的样本[18]。 * 超参数：批大小（batch_size）为截面股票数量，优化器为Adam，学习率为1e-4，损失函数为IC，早停轮数为10，最大训练轮数为50[18]。 * 模型评价：该模型结合了GAN的数据增强能力和GRU的时序建模能力，旨在挖掘更深层次的量价时序特征以预测股票收益[4][13]。 量化因子与构建方式 1. 因子名称：GAN_GRU因子[4][13] * 因子的构建思路：通过GAN_GRU模型输出的股票未来20个交易日的预测收益（pRet）作为选股因子[4][13][22]。在测试和应用前，因子会经过行业和市值中性化处理，并进行标准化[22]。 * 因子具体构建过程：因子值直接来源于上述GAN_GRU模型的输出结果。具体步骤即上述模型的完整构建与预测过程[4][13][18][22]。 模型的回测效果 1. GAN_GRU模型（基于因子构建的多头组合，全A股范围，月频调仓，测试期：2019年2月至2026年4月）[41][42] * 年化收益率：36.26%[42] * 年化波动率：23.24%[42] * 信息比率（IR）：1.56[42] * 最大回撤率：27.29%[42] * 年化超额收益率：21.62%[4][42] 2. GAN_GRU模型（因子IC表现，全A股范围，月频调仓，测试期：2019年2月至2026年4月）[41][42] * IC均值：0.1078[4][41][42] * ICIR（未年化）：0.88[42] * 换手率：0.82X[42] * 最新一期IC（2026年4月）：-0.0531[4][41][42] * 近一年IC均值：0.0480[4][41][42] 因子的回测效果 1. GAN_GRU因子（行业IC表现，截至2026年4月）[42] * 当期IC排名前五的行业及IC值： * 农林牧渔：0.3139[42] * 石油石化：0.2845[42] * 煤炭：0.2646[42] * 消费者服务：0.2021[42] * 银行：0.1941[42] 2. GAN_GRU因子（行业IC表现，近一年）[42] * IC均值排名前五的行业及IC均值： * 传媒：0.1428[42] * 食品饮料：0.1319[42] * 商贸零售：0.1071[42] * 钢铁：0.1066[42] * （注：原文此处列举了四个行业，第五个行业名称缺失，IC均值为0.1065）[42] 3. GAN_GRU因子（行业多头组合表现，2026年4月当期）[2][45] * 超额收益排名前五的行业及超额收益： * 石油石化：8.84%[2][45] * 消费者服务：7.72%[2][45] * 农林牧渔：4.33%[2][45] * 建筑：4.18%[2][45] * 纺织服饰：3.86%[2][45] 4. GAN_GRU因子（行业多头组合表现，近一年月平均）[2][46] * 超额收益排名前五的行业及超额收益： * 消费者服务：2.08%[2][46] * 电力及公用事业：1.64%[2][46] * 房地产：1.59%[2][46] * 商贸零售：1.47%[2][46] * 建筑：1.21%[2][46]