量化模型与构建方式 1. 模型名称：RNN-LIN - 模型构建思路：基于线性RNN构建的简化时序模型，移除非线性激活函数以提升训练效率并减少参数量[11][12] - 模型具体构建过程： 输入序列为股票日频特征（高、开、低、收、均价、成交量）的150日时序数据[23] 模型结构包含遗忘门和输出门，使用sigmoid激活函数控制门控值在(0,1)范围内，隐状态迭代时不使用非线性激活函数[20] 具体计算公式如下： $$h_{t}=f_{t}\otimes h_{t-1}+(1-f_{t})\otimes c_{t}$$ $$y_{t}=o_{t}\otimes h_{t}$$ $$f_{t}=Sigmoid(x_{t}W_{f})$$ $$o_{t}=Sigmoid(x_{t}W_{o})$$ $$c_{t}=SiLU(x_{t}W_{c})$$ 其中$h_t$表示隐状态，$y_t$表示输出，$f_t$为遗忘门，$o_t$为输出门，$c_t$为候选状态，$W_f$、$W_o$、$W_c$为可学习参数矩阵[20] 参数量相比GRU模型减少约50%[20] - 模型评价：训练效率优于GRU，但性能略逊于GRU基线模型[22][47] 2. 模型名称：RNN-LIN-GLU - 模型构建思路：在线性RNN基础上耦合门控线性单元(GLU)以提升模型表达能力[21][22] - 模型具体构建过程： 在RNN-LIN层后叠加GLU FFN模块组成block[21] GLU FFN的计算公式为： $$FFNSwiGLU(x,W,V,W_{2})=(Swish(xW)\otimes xV)W_{2}$$ 其中$W$、$V$、$W_2$为可学习参数矩阵[21] 其他构建过程与RNN-LIN相同[21] - 模型评价：GLU模块对RNN-LIN的性能提升效果优于对GRU的提升[45] 3. 模型名称：DecompGRN - 模型构建思路：基于线性RNN改进的时序-截面端到端模型，将截面信息直接整合进RNN门控单元[2][49] - 模型具体构建过程： 采用两层RNN结构[50] 第一层线性RNN输出每个时间步的个股表征，使用市值作为分组特征进行20分组，计算股票分组去均值结果，得到包含截面信息的个股表征[50] 第二层构建线性RNN变体，将截面信息和时序融合共同输入遗忘门和输出门[50] 使用时序趋势分解模块将初始输入拆分为趋势与残差分量[89] 趋势分量输入1D卷积+RNN实现时序编码，残差分支使用深度可分离卷积[94][95] 最终将趋势和残差分支结果相加合并，输入第二个时序RNN编码器，取最后一个时间步输出通过线性预测头得到股票得分[96] 参数量仅为GRU基线模型的43%[74] - 模型评价：性能超越基线GRU模型，模型逻辑与参数量实现双重简化[2][74] 模型的回测效果 1. RNN-LIN模型 - 中证全指：RankIC 0.13，RankICIR 1.08，IC胜率 0.88[37] - 沪深300：RankIC 0.10，RankICIR 0.62，IC胜率 0.74[37] - 中证500：RankIC 0.09，RankICIR 0.71，IC胜率 0.78[37] - 中证1000：RankIC 0.12，RankICIR 0.96，IC胜率 0.86[37] 2. RNN-LIN-GLU模型 - 中证全指：RankIC 0.13，RankICIR 1.14，IC胜率 0.89[37] - 沪深300：RankIC 0.10，RankICIR 0.63，IC胜率 0.73[37] - 中证500：RankIC 0.10，RankICIR 0.74，IC胜率 0.79[37] - 中证1000：RankIC 0.12，RankICIR 1.01，IC胜率 0.87[37] 3. DecompGRN模型 - 中证全指：RankIC 0.141，RankICIR 1.26，IC胜率 0.89[55][89] - 沪深300：RankIC 0.099，RankICIR 0.65，IC胜率 0.74[55][89] - 中证500：RankIC 0.098，RankICIR 0.77，IC胜率 0.78[55][89] - 中证1000：RankIC 0.127，RankICIR 1.08，IC胜率 0.88[55][89] 量化因子与构建方式 （报告中未明确提及独立的量化因子构建，主要关注端到端模型） 因子的回测效果 （报告中未提供独立因子的测试结果） 分组测试绩效统计 1. RNN-LIN模型（层数1） - 中证全指：年化收益率42.59%，夏普比率1.46，最大回撤-36.71%，超额年化42.05%，平均单边换手0.81[42] - 沪深300：年化收益率28.59%，夏普比率1.38，最大回撤-22.09%，超额年化28.67%，平均单边换手0.66[42] - 中证500：年化收益率23.68%，夏普比率1.02，最大回撤-34.63%，超额年化23.95%，平均单边换手0.76[42] - 中证1000：年化收益率32.81%，夏普比率1.20，最大回撤-35.43%，超额年化33.72%，平均单边换手0.77[42] 2. RNN-LIN-GLU模型（层数1） - 中证全指：年化收益率48.73%，夏普比率1.60，最大回撤-35.33%，超额年化48.19%，平均单边换手0.81[42] - 沪深300：年化收益率29.92%，夏普比率1.38，最大回撤-23.62%，超额年化30.00%，平均单边换手0.65[42] - 中证500：年化收益率24.45%，夏普比率1.03，最大回撤-39.60%，超额年化24.72%，平均单边换手0.75[42] - 中证1000：年化收益率34.47%，夏普比率1.24，最大回撤-34.51%，超额年化35.38%，平均单边换手0.76[42] 3. DecompGRN模型 - 中证全指：年化收益率57.68%，夏普比率1.71，最大回撤-34.69%，超额年化56.18%，平均单边换手0.79[57][89] - 沪深300：年化收益率31.69%，夏普比率1.42，最大回撤-26.88%，超额年化31.00%，平均单边换手0.65[57][89] - 中证500：年化收益率26.90%，夏普比率1.10，最大回撤-37.82%，超额年化26.13%，平均单边换手0.74[57][89] - 中证1000：年化收益率40.35%，夏普比率1.37，最大回撤-35.51%，超额年化40.03%，平均单边换手0.74[57][89] 指增组合测试结果 DecompGRN模型指增表现 - 沪深300指增：年化超额收益10.24%，跟踪误差5.07，超额夏普1.95，超额最大回撤-8.12%，2025年累计超额3.93%[75][85][89] - 中证500指增：年化超额收益10.05%，跟踪误差6.10，超额夏普1.60，超额最大回撤-7.15%，2025年累计超额6.72%[75][85][89] - 中证1000指增：年化超额收益19.58%，跟踪误差6.75，超额夏普2.68，超额最大回撤-9.11%，2025年累计超额18.26%[75][85][89]

时序数据增强技术概述 - 时序数据增强通过平移、缩放、扰动、裁剪、合成等策略提升模型泛化能力，适用于金融场景中低信噪比数据的信号提取[1][4] - 技术可无缝嵌入传统机器学习、深度学习及强化学习系统，拓展量化策略表达能力[1][4] - 方法分类包括随机变换、特征混合和生成模型三大类，其中随机变换涵盖幅值域、时域和频域三个维度的操作[9][39][47] 随机变换增强方法 幅值域变换 - **抖动(Jittering)**：添加高斯噪声(σ=0.03)提升模型抗扰动能力，缓解数据漂移问题[11][13][14] - **旋转(Rotation)**：多变量序列中应用随机旋转矩阵，但可能破坏经济含义的结构关系[15][17] - **缩放(Scaling)**：采用α∈[0.8,1.2]的随机系数统一调整幅度，模拟不同波动强度[19] - **幅度扭曲(Magnitude Warping)**：通过控制节点(μ=1,σ=0.2)生成平滑调节曲线实现局部调制[20][24] 时域变换 - **切片(Slicing)**：截取长度W的子序列(W=20)保留局部时间结构[25][27] - **片段重排(Permutation)**：将序列切分为N段(N=3)后随机打乱顺序，仅适用于时序不敏感任务[28][30] - **时间扭曲(Time Warping)**：采用三次样条插值构建非线性映射曲线，模拟市场异常波动[31][35] 频域变换 - **频率扭曲(Frequency Warping)**：通过VTLP方法重构梅尔滤波器组频率分布[36] - **傅里叶变换方法**：在幅度谱和相位谱中注入噪声拓展频谱形态[37] - **频谱增强(Spectrogram Augmentation)**：直接对频谱图实施时间/频率掩蔽操作[38] 特征混合增强方法 - **幅值域混合**：采用SMOTE算法在同类序列间线性插值(β=0.5)生成新样本[40][41] - **时域混合**：基于DTW对齐"教师-学生"序列时间结构，保留原始能量分布[43][44] - **频域混合**：EMDA方法选择性增强特定频带(如5-10Hz)，创造新听觉特征[45] - **多域混合**：SPAWNER方法引入随机路径约束，构建多样化时间变形路径[46] 生成模型增强方法 - **统计生成模型**：LGT模型结合全局趋势与局部波动，提升LSTM预测性能[48][49] - **神经网络生成模型**：LSTM-GAN在ECG数据增强中效果优于传统方法，F1-score提升12%[56][57] GRU模型实证结果 训练策略对比 - **固定概率(p=0.5)**：jittering因子RankIC胜率提升1.2%，scaling因子多头年化收益达18.05%[64][68] - **线性衰减概率(p:1→0)**：等权合成因子RankIC均值提升1.2%，多空年化收益达56.38%[71][75] 因子表现 - **最佳增强方式**：jittering在线性衰减模式下RankIC达13.3%，多空收益55.35%[75] - **最差增强方式**：rotation在固定模式下RankICIR降至0.88，多空收益仅30.44%[68] - **相关性分析**：jittering/scaling与原始数据相关系数1.0，rotation仅0.02[61] 应用前景 - 技术可适配不同数据类型(量价/基本面)、频率(日频/分钟频)及模型架构(Transformer/TCN)[112] - 在生物信号处理、语音识别等领域已验证有效性，金融时序增强尚处探索阶段[24][38]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：日行情GRU模型** - 构建思路：基于股票过去240个交易日的量价信息预测次月收益率[15] - 具体构建过程： - 输入数据：开盘价、最高价、最低价、收盘价、成交量、成交额、换手率（7个字段） - 数据标准化：对每个字段的240个值进行z-score标准化[16] - 预测目标：截面标准化的次月收益率（月初开盘价至月末收盘价） - 训练方式：滚动6年样本，按4:1划分训练集/验证集，连续10轮早停训练[16] - 模型评价：超额收益稳定，但2024年后表现有所减弱[19] 2. **模型名称：日行情+基本面GRU模型** - 构建思路：在日行情模型基础上拼接20个财务指标TTM值[25] - 具体构建过程： - 财务数据处理：直接使用最新季报TTM值拼接至量价矩阵[26] - 输入矩阵标准化后输入GRU网络[26] - 模型评价：2022年前表现与基准相近，2023年后显著弱于纯量价模型[34] 3. **模型名称：日行情+调整基本面GRU模型** - 构建思路：对财务指标进行日频化处理以解决数据频率不匹配问题[35] - 具体构建过程： - 调整公式： $$\mathrm{DFTTM}_{\mathrm{q1}}={\frac{\mathrm{FactorTTM}_{\mathrm{q1}}-\mathrm{FactorTTM}_{\mathrm{q0}}}{a b s\big(\mathrm{FactorTTM}_{\mathrm{q0}}\big)}}$$ $$Factort = FactorTTMq + abs(FactorTTMq ) ( 90 1)$$[36] - 按财报期增速每日调整TTM值[36] - 模型评价：2022年前表现显著增强，2023年后仍弱于基准[42] 4. **模型名称：barra5d+日行情+精简基本面GRU模型** - 构建思路：混频模型结合长期预测（日行情）与短期预测（分钟数据）能力[65] - 具体构建过程： - 分钟数据模型输入：日内240分钟数据预测未来5日收益率[56] - 精简基本面：仅保留净利润TTM和市值因子[45] - 模型叠加：相关性较低的两类GRU模型输出加权组合[65] - 模型评价：解决单一模型周期性问题，年度超额分布更均匀[80] 模型的回测效果 1. **日行情GRU模型** - 年化超额收益：8.75% - 信息比率(IR)：2.25 - 最大回撤：4.71%[23] 2. **日行情+基本面GRU模型** - 年化超额收益：6.86% - 信息比率(IR)：1.46 - 最大回撤：6.14%[33] 3. **日行情+调整基本面GRU模型** - 年化超额收益：7.76% - 信息比率(IR)：1.65 - 最大回撤：5.40%[44] 4. **barra5d+日行情+精简基本面GRU模型** - 中证1000增强组合： - 年化超额收益：11.82% - 信息比率(IR)：2.39 - 最大回撤：5.70%[78] - 其他指数增强表现： - 沪深300年化超额：5.70%[82] - 中证500年化超额：6.46%[86] - 科创综指年化超额：6.28%[88] 关键创新点 - 财务数据日频化处理通过增速平滑实现[36] - 混频模型有效结合不同时间尺度预测能力（分钟级+日级）[65] - 精简基本面因子可提升模型稳定性（净利润TTM+市值）[45]

量化模型与构建方式 1. GRU基准模型 - **模型名称**：日行情GRU因子[3] - **构建思路**：基于股票过去240个交易日的量价信息（开盘价、最高价、最低价、收盘价、成交量、成交额、换手率）预测次月收益率[15][16] - **具体构建过程**： 1. 输入数据标准化：对每个字段的240个历史值进行z-score标准化[16] 2. 预测目标：截面标准化的次月收益率（月初开盘价至月末收盘价）[16] 3. 训练方式：滚动6年样本，按4:1划分训练集/验证集，早停机制（连续10轮损失未下降）[16] 4. 组合构建参数：中证1000成分股80%、个股权重偏离1%、行业偏离1%、月频调仓[18] - **模型评价**：量价信息挖掘能力稳定，但财务信息融合需优化[14] 2. 财务信息增强模型 - **模型名称**：日行情+基本面GRU因子[26] - **构建思路**：在基准模型基础上拼接20个财务指标TTM值（如净利润、营业收入等）[24][25] - **具体构建过程**： 1. 财务数据日频化调整公式： $$\mathrm{DFTTM}_{\mathrm{q1}}={\frac{\mathrm{FactorTTM}_{\mathrm{q1}}-\mathrm{FactorTTM}_{\mathrm{q0}}}{a b s\big(\mathrm{FactorTTM}_{\mathrm{q0}}\big)}}$$ $$\mathrm{Factort} = \mathrm{FactorTTMq} + \mathrm{abs}(\mathrm{FactorTTMq}) \times \left(\frac{\mathrm{DFTTM}_{\mathrm{q1}}}{90}\right)$$[36] 2. 精简后保留核心指标：净利润TTM+市值因子[45] - **模型评价**：2022年前财务信息提升显著，2023年后量价因子主导[44][45] 3. 混频融合模型 - **模型名称**：barra5d+日行情+精简基本面GRU[55][73] - **构建思路**：结合分钟级barra5d模型（预测未来5日收益）与日行情GRU模型[56][65] - **具体构建过程**： 1. barra5d模型：基于240分钟数据预测风格中性化后的5日收益率[56] 2. 混频叠加：通过低相关性组合提升稳定性（日行情GRU与barra5d相关性0.23）[55][65] - **模型评价**：解决单一频率模型周期局限性，2024年后表现显著改善[73][79] --- 模型回测效果 1. 日行情GRU因子 - 年化超额收益：8.75% - 信息比率(IR)：2.25 - 最大回撤：4.71% - 分年度超额收益：2020年7.88%、2021年7.54%、2022年12.35%[20][23] 2. 日行情+调整基本面GRU因子 - 年化超额收益：7.76% - 信息比率(IR)：1.65 - 最大回撤：5.40% - 分年度超额收益：2020年14.69%、2021年7.59%[42][44] 3. barra5d+日行情+精简基本面GRU - 年化超额收益：11.82%（中证1000） - 信息比率(IR)：2.39 - 最大回撤：5.70% - 其他指数增强表现： - 沪深300增强年化超额5.70%[82] - 中证500增强年化超额6.46%[86] - 科创综指增强年化超额6.28%[88]