量化模型与构建方式 1. **模型名称：DBD-GRU模型** - **模型构建思路**：将因子切割论与深度学习（GRU网络）结合，通过双分支差异网络处理切割后的数据，提取时序信息差异[4][28] - **模型具体构建过程**： 1. 输入数据包含特征A（切割指标）和特征B（切割对象） 2. 以特征A的时序中位数为阈值，生成掩码`mask_Ahigh`和`mask_Alow` 3. 掩码处理后数据分别输入两个GRU分支（`GRU_high`和`GRU_low`） 4. 取两个分支最后一个时间步输出的差异作为最终结果 公式： $$ \text{DBD-GRU输出} = \text{GRU\_high}(x \odot \text{mask\_Ahigh}) - \text{GRU\_low}(x \odot \text{mask\_Alow}) $$ - **模型评价**：有效融合切割论逻辑与深度学习，提供显著信息增量[5][12] 2. **模型名称：GRU基线模型** - **模型构建思路**：作为对比基准，直接处理未切割的原始特征[34] - **模型具体构建过程**：输入特征A和B，通过标准GRU网络输出预测结果 --- 量化因子与构建方式 1. **因子名称：理想反转因子** - **因子构建思路**：通过切割日度涨跌幅，分离大单成交驱动的反转效应[14][18] - **因子具体构建过程**： 1. 取股票过去20日数据，计算每日涨跌幅和平均单笔成交金额 2. 按单笔成交金额中位数分为高/低两组 3. 分别加总高组（`M_high`）和低组（`M_low`）的涨跌幅 4. 计算差异： $$ M = M\_high - M\_low $$ - **因子评价**：稳定性优于传统反转因子，多空IR达2.59[24][40] 2. **因子名称：理想振幅因子** - **因子构建过程**： 1. 取股票过去20日数据，计算每日振幅（最高价/最低价-1） 2. 按收盘价分为高/低价态两组（前25%和后25%） 3. 计算高价态振幅均值（`A_high`）和低价态振幅均值（`A_low`） 4. 输出差异： $$ A = A\_high - A\_low $$ - **因子评价**：多空年化收益21.02%，但分组单调性较弱[35][40] 3. **因子名称：主动买卖因子（小单）** - **因子构建过程**： 1. 计算每日小单主动买卖比率： $$ \frac{\text{主动买入金额(小单)} - \text{主动卖出金额(小单)}}{\text{主动买入金额(小单)} + \text{主动卖出金额(小单)}} $$ 2. 选取收盘价最低的25%交易日计算均值[79] 4. **衍生因子：DBD-GRU改进因子** - 包括理想振幅-DBD、理想反转-DBD、主动买卖-DBD，通过DBD-GRU模型重构原始因子[5][34] 5. **复合因子：DBD-Combine因子** - 对三个DBD-GRU因子对称正交后等权合成[6][61] --- 模型与因子的回测效果 DBD-GRU模型因子（测试区间：201412~202505） | 因子 | RankIC | RankICIR | 多空年化收益 | 多空波动率 | |--------------------|----------|----------|--------------|------------| | 理想振幅-DBD | -10.33% | -3.68 | 34.31% | 15.17% | | 理想反转-DBD | -10.31% | -3.57 | 37.62% | 12.55% | | 主动买卖-DBD | -9.81% | -3.63 | 33.33% | 13.32% | [48][52] 原始切割论因子 | 因子 | RankIC | 多空年化收益 | |--------------------|----------|--------------| | 理想振幅因子 | -7.00% | 21.02% | | 理想反转因子 | -6.06% | 24.26% | | 主动买卖因子 | -3.39% | 10.20% | [40] DBD-Combine因子（宽基指数表现） | 指数 | RankIC | 多空年化收益 | 指增超额IR | |------------|----------|--------------|------------| | 沪深300 | -5.76% | 14.9% | 1.84 | | 中证500 | -7.40% | 17.5% | 1.37 | | 中证1000 | -9.84% | 30.8% | 2.21 | [61][71]