模型效果比较 - GRU模型效果略优于TCN+GRU和TCN模型[1] - 预测10日收益模型表现优于预测5日收益模型[1] - 深度学习因子与低波动、低流动性因子呈现较高相关性[1] 模型训练细节 - 输入数据包括30日行情、60日行情、30周行情，以及6个特征（高、开、低、收、均价、换手率）[2] - 预测标签为t+1日至t+6日的5日均价涨跌幅和t+1日至t+11日的10日均价涨跌幅[2] - 训练过程采用2017年以来数据，每年训练一个模型供下一年使用，前9年数据为训练集，第10年数据为验证集[2] 单因子选股效果 - 多头组在中小市值股票池（中证1000、中证2000）超额收益更高[2] - 沪深300中因子原始值效果优于市值行业中性化后因子值[2] - 市值行业中性化后因子超额收益减少，说明深度学习因子捕捉到风格轮动和行业轮动规律[2] 复合因子选股效果 - 深度学习因子与反转因子有一定相关性，与分钟高频因子、快照因子和基本面因子相关性较低[3] - 等权加权后的复合因子效果优于单因子[3] - 构建指数增强策略时，控制市值行业无暴露条件下，沪深300增强年化超额11.8%，中证500增强年化超额13.6%，中证1000增强年化超额21.7%，中证2000增强年化超额27.1%[3] 策略表现 - 截至2025年6月30日，沪深300增强本年超额-0.4%，中证500增强本年超额2.7%，中证1000增强本年超额9.9%，中证2000增强本年超额9.3%[3] - 允许市值行业适当暴露后，沪深300增强年化超额8.8%，中证500增强年化超额14.6%，中证1000增强年化超额22.3%，中证2000增强年化超额26.2%[3] - 考虑双边0.3%交易费用后，每年收益减少约3%[3]