根据提供的研报内容，总结如下： 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**：该模型是一种深度学习选股模型，首先利用生成式对抗网络（GAN）对量价时序特征进行增强处理，然后再利用门控循环单元（GRU）网络对处理后的时序特征进行编码，最终输出股票的预测收益作为选股因子[4][13]。 * **模型具体构建过程**： * **基础特征**：模型使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[14][17][19]。 * **数据预处理与采样**：使用所有个股过去400天内的18个量价特征，每5个交易日进行一次特征采样。每次采样的特征形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。在时序上对每个特征进行去极值和标准化处理，并在个股截面上进行标准化处理[18]。训练集与验证集的比例为80%:20%[18]。 * **基础模型（GRU+MLP）**：构建一个包含两层GRU层（GRU(128, 128)）和后续多层感知机（MLP(256, 64, 64)）的神经网络。模型最终输出的预测收益（pRet）作为选股因子[22]。 * **GAN特征增强**：为了提升特征质量，引入GAN模型对原始量价时序特征（Input_Shape=(40,18)）进行增强[33][37]。 * **生成器（G）**：采用长短期记忆网络（LSTM）作为生成器，以保留输入特征的时序性质。其目标是生成逼真的量价时序特征。生成器的损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 是随机噪声，\(G(z)\) 是生成器生成的数据，\(D(G(z))\) 是判别器判断生成数据为真实数据的概率[24][25]。 * **判别器（D）**：采用卷积神经网络（CNN）作为判别器，将量价时序特征视为二维图像进行处理。其目标是区分真实数据与生成数据。判别器的损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率，\(D(G(z))\) 是判别器对生成数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练。先训练判别器，再训练生成器，循环迭代直至模型收敛[29][30][34]。 * **GAN_GRU整合**：将训练好的GAN模型中的生成器（G）用于处理原始量价时序特征，生成增强后的特征。然后将增强后的特征输入到前述的GRU+MLP基础模型中进行训练和预测[38]。 * **训练与预测设置**：采用半年滚动训练方式，每年6月30日和12月31日进行模型训练，用于未来半年的预测。回测采用月频调仓。选股范围为全A股，剔除ST股及上市不足半年的股票。训练超参数包括：batch_size为截面股票数量、优化器为Adam、学习速率为1e-4、损失函数为IC、早停轮数为10、最大训练轮数为50[15][18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：GAN_GRU因子是GAN_GRU模型最终输出的股票预测收益（pRet）[22]。该因子在用于测试前，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GAN_GRU模型的输出，即模型对每只股票未来20个交易日收益的预测值[18][22]。构建过程与上述GAN_GRU模型的构建过程完全一致。 模型的回测效果 1. **GAN_GRU模型**（基于其输出的因子进行回测，回测期间：2019年1月至2025年11月，月频调仓）[41][42] * IC均值：0.1131*** * ICIR（未年化）：0.90 * 换手率：0.83 * 年化收益率：37.52% * 年化波动率：23.52% * 信息比率（IR）：1.59 * 最大回撤率：27.29% * 年化超额收益率：23.14% 因子的回测效果 1. **GAN_GRU因子**[41][42] * 最新一期IC（截至2025年11月27日）：0.1241*** * 近一年IC均值（截至2025年11月27日）：0.0867*** * 近期行业IC表现（2025年10月当期，申万一级行业除综合）：社会服务(0.2198***)、房地产(0.2027***)、钢铁(0.1774***)、非银金融(0.1754***)、煤炭(0.1537***)[42] * 近一年行业IC均值（申万一级行业除综合）：非银金融(0.1401***)、钢铁(0.1367***)、商贸零售(0.1152***)、纺织服饰(0.1124***)、公用事业(0.1092***)[42] * 近期行业多头组合超额收益（2025年11月当期，相对行业指数）：环保(7.24%)、机械设备(4.37%)、房地产(4.03%)、纺织服饰(3.89%)、建筑材料(2.91%)[2][45] * 近一年行业多头组合月平均超额收益（相对行业指数）：建筑材料(2.15%)、房地产(1.97%)、社会服务(1.77%)、纺织服饰(1.71%)、商贸零售(1.62%)[2][46]

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，用于挖掘量价时序特征并预测股票收益[9][10] - **模型具体构建过程**： 1. **数据预处理**：使用过去400天的18个量价特征（如收盘价、成交量等），每5天采样一次，形成40×18的时序特征矩阵[14] 2. **GAN部分**： - 生成器（LSTM）：输入噪声生成模拟量价特征，损失函数为判别器对生成数据的判别概率： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z))))]$$ [20] - 判别器（CNN）：区分真实与生成数据，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ [23] 3. **GRU部分**：将GAN生成的特征输入GRU(128,128)层，接MLP(256,64,64)输出预测收益pRet作为选股因子[18] 4. **训练方式**：半年滚动训练，行业市值中性化处理[14][18] - **模型评价**：通过对抗训练提升特征生成能力，保留时序特性，适配金融数据的高噪声特点[29][33] --- 模型的回测效果 1. **GAN_GRU模型** - **IC均值**：11.73%（全A股，2019-2025）[37] - **ICIR**：0.90[38] - **年化超额收益率**：24.89%[38] - **信息比率（IR）**：1.66[38] - **最大回撤**：27.29%[38] - **最新一期IC**：0.22%（2025年4月）[37] - **行业表现**： - 当期IC最高行业：银行（33.46%）、钢铁（30.85%）[39] - 近一年超额收益最高行业：家用电器（5.56%）、石油石化（5.39%）[41] --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化后作为选股因子[18][37] - **因子具体构建过程**： 1. 输入原始量价时序特征（40天×18维）[14] 2. 通过GAN生成增强特征，GRU编码后输出预测收益[34] 3. 截面标准化并剔除ST股及上市不足半年的股票[14] --- 因子的回测效果 1. **GAN_GRU因子** - **多头组合年化收益**：36.06%[38] - **年化波动率**：23.80%[38] - **换手率**：0.83[38] - **近一年IC均值**：11.44%[37] - **行业多头超额收益**：纺织服饰（6.78%）、基础化工（5.61%）[41] --- 多头组合示例（2025年4月） - **前十个股**：国网英大、海容冷链、陕西能源等[44][46] - **行业排名第一个股**：非银金融（国网英大）、机械设备（海容冷链）[44]