报告核心观点 - 报告探讨了在A股市场对GRU选股模型进行时序分域训练的可行性及效果，旨在解决因市场环境变化导致传统统一训练模型效果可能衰减的问题[4] - 通过测试宏观经济、趋势震荡、市场流动性、全市场波动率和行业分离度等多类状态变量的分域效果，发现宏观状态和趋势震荡状态两种分域效果最为明显，能够提升模型在特定市场状态下的选股能力[4][102] - 将分域模型（宏观分域、趋势震荡分域）的因子值加入沪深300和中证500的因子共振指数增强模型后，对指数增强表现有明确的增量贡献，超额收益提升在1%以上[2][107] 统一模型构建与基本表现 - 模型构建：使用GRU模型，输入为股票过去40个交易日的开盘价、最高价、最低价、收盘价、均价、成交量、成交额共7个基础量价特征，预测目标为未来5个交易日的VWAP均价收益[12][16] - 参数设定：采用轻量化结构，hidden size设为16，GRU层数为1层，dropout为0.2，采用年度滚动训练方式，使用此前8年数据训练，尾部20%作为验证集[12][13] - 基本表现：在2021年至2026年3月的样本外区间，统一模型全区间截面RankIC均值为6.21%，Top 20%多头组合年化超额收益为8.93%，多空组合年化收益为31.31%[18][20] - 分年度表现：模型RankIC在各年份均为正，其中2022年、2024年和2025年表现较强，RankIC分别为7.52%、6.72%和8.47%；2021、2023年相对较低，2023、2026年的多头组合表现偏弱[21][22] - 分股票池表现：模型在沪深300、中证500、中证1000三个股票池中均具有排序能力，但有效性在中小市值股票池中更突出。中证1000表现最稳定，2021-2026年RankIC均为正；沪深300内部排序能力最弱，2023年RankIC几乎为0，2026年为负[24][26] 宏观经济分域模型 - 分域方法：根据经济、流动性、信用三个宏观维度合成的综合经济方向，将样本划分为上行和下行状态，分别训练GRU模型，回测时根据当期状态选择对应模型[36][38] - 整体效果：宏观分域模型全样本池截面RankIC均值由统一模型的6.21%提升至6.59%，多头年化超额由10.17%提升至11.60%，但最大回撤由-8.73%扩大至-10.68%[42][43] - 分状态效果：宏观正向（上行）状态下改善更明显，该状态下分域模型RankIC由7.39%提升至7.66%，年化超额由22.96%提升至26.65%，回撤由-7.63%改善至-6.40%[52] - 分股票池效果：在沪深300股票池中改善明显，全区间RankIC由1.86%提升至2.61%，年化超额由0.16%提升至3.81%；在中证500和中证1000股票池中也均有改善，但中证500在2026年回撤依然明显[53][54][56] 趋势震荡分域模型 - 分域方法：根据Zig-Zag等方法将市场划分为趋势和震荡状态，分别训练模型，并测试了使用未来信号、等权预测信号和决策树预测信号三种回测方式，最终采用决策树预测信号的方法[58][60][68] - 整体效果：趋势震荡分域模型全样本池RankIC由6.21%提升至6.45%，多头年化超额由10.17%提升至11.14%，且多头最大回撤由-8.73%显著改善至-6.42%[69] - 分状态效果：震荡状态下的改善更为显著，该状态下分域模型RankIC由6.27%提升至6.65%，年化超额由9.93%提升至13.30%，回撤由-6.21%收窄至-5.68%；趋势状态下改善有限[70][71] - 分股票池效果：在沪深300、中证500和中证1000三个股票池中均改善了总体表现，多头年化超额提升均在2%以上，回撤也均有改善。其中，中证500全区间RankIC提升0.75个百分点，改善最明显[71][73][74] 其他市场状态分域模型 - 市场流动性分域：根据流动性绝对水平和流动性边际变化划分状态。整体上，流动性分域对RankIC呈现负面提升，从6.21%降至5.79%。其有效性主要来自流动性偏强状态，在该状态下RankIC和收益有改善[75][76][79] - 全市场波动率分域：根据波动率水平、变化及下行波动率占比合成信号划分高、低波动状态。分域模型RankIC由6.21%提升至6.45%，多头年化超额由8.93%提升至9.84%，且多头回撤由-8.66%显著收窄至-4.15%，对回撤改善明显[82][83][84] - 行业分离度分域：根据行业收益离散度等划分高、低分离度状态。分域模型RankIC由6.21%小幅提升至6.35%，收益端有增量，但回撤明显扩大，多头最大回撤由-8.66%扩大至-11.83%。改善主要体现在行业低分离度状态[96][97][98] 分域模型在指数增强中的应用 - 应用方法：将统一模型、宏观分域、趋势震荡分域三种方法产生的GRU选股因子值，分别加入沪深300和中证500的因子共振指数增强模型[103] - 表现结果：两种分域模型对沪深300和中证500指数增强的表现均有明显增量贡献[2][107] - 对于沪深300指数增强：趋势震荡分域模型的年化超额收益为10.87%，高于统一模型的9.87%，贡献增加约1%；宏观分域模型为10.22%[105] - 对于中证500指数增强：趋势震荡分域模型的年化超额收益为14.51%，宏观分域模型为14.32%，均高于统一模型的13.08%，贡献增加在1%以上[105] - 年度表现：两种分域方法在多数年份能带来超额收益的提升，具有一定互补效果[108] 研究启发与后续方向 - 现有分域方法的局限：每次仅依据单一变量进行硬切分，忽略了状态中性、过渡及多种风格并存的情况，且可能导致单个模型训练样本减少[5][109] - 后续方向：可从单一硬分域转向更一般的机制转换或动态模型混合框架，例如利用多维变量识别隐含市场状态，或将状态概率作为特征或模型权重引入GRU模型，以更柔性地适应复杂市场环境[5][109]