>> 渤海證券-金融工程專題：基于深度學(xué)習(xí)GRU因子的行業(yè)輪動模型-250925
| 上傳日期： |
2025/9/25 |
大?。?/td>
| 1661KB |
| 格式： |
pdf 共16頁 |
來源： |
渤海證券 |
| 評級： |
-- |
作者： |
宋旸 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
核心觀點(diǎn)：
在深度學(xué)習(xí)領(lǐng)域，門控循環(huán)單元（Gated Recurrent Unit, GRU）與它的前身長短期記憶網(wǎng)絡(luò)（LSTM）齊名，共同構(gòu)成了處理序列數(shù)據(jù)的核心模型。GRU通過引入“門控機(jī)制”來控制信息的流動，決定哪些歷史信息應(yīng)該被保留，哪些新信息應(yīng)該被加入。相較于LSTM，GRU的結(jié)構(gòu)更加簡潔高效，它通過更少的門控單元實現(xiàn)了與LSTM相媲美的性能，甚至在許多場景下訓(xùn)練速度更快，因此受到了學(xué)術(shù)界和工業(yè)界的廣泛青睞。
金融市場數(shù)據(jù)是典型的多變量時間序列數(shù)據(jù)，其價格走勢與過去的表現(xiàn)密切相關(guān)。GRU模型在處理金融時間序列時的優(yōu)勢體現(xiàn)在：1、能夠自主決定將多遠(yuǎn)的歷史信息傳遞到現(xiàn)在，從而捕捉到影響股價的長期趨勢和周期性規(guī)律；2、可以學(xué)會忽略與預(yù)測未來無關(guān)的短期波動和市場噪音，專注于真正具有預(yù)測性的信號；3、能夠有效地處理和融合這些不同時間尺度和量綱的多維輸入序列，挖掘它們之間的復(fù)雜非線性關(guān)系；4、具有更快的訓(xùn)練速度和更低的過擬合風(fēng)險。
本篇報告中，我們使用申萬一級行業(yè)指數(shù)構(gòu)建GRU行業(yè)輪動模型。模型輸入為指數(shù)的日度量價數(shù)據(jù)，預(yù)測目標(biāo)為下一期周度收益率。模型劃分過去8年數(shù)據(jù)為訓(xùn)練集，第9年數(shù)據(jù)為驗證集，第10年數(shù)據(jù)為測試集，每年滾動重復(fù)訓(xùn)練。通過回測可知，基于GRU預(yù)測的行業(yè)輪動模型歷史rank IC均值0.083。分層回測結(jié)果具有一定的分層單調(diào)性。多頭（第1組）年化收益3.8%，超過等權(quán)基準(zhǔn)2.2pct，多空年化收益7.0%。
我們使用改進(jìn)版的AGRU模型提高模型性能。AGRU模型的核心思想是將注意力機(jī)制與標(biāo)準(zhǔn)的GRU模型相結(jié)合，以使模型能夠動態(tài)地、有區(qū)分地關(guān)注輸入序列中不同時間點(diǎn)的重要性。與傳統(tǒng)GRU模型相比，AGRU模型在處理股票時間序列時具有較為明顯的優(yōu)勢。通過注意力機(jī)制，AGRU模型可以自主學(xué)習(xí)并賦予重要時間步更高權(quán)重，根據(jù)不同市場環(huán)境（如牛市、熊市、震蕩市）聚焦當(dāng)時最相關(guān)的信息和因子，提升模型在不同時期的穩(wěn)健性。
AGRU模型歷史rank IC均值0.084。分層回測收益表現(xiàn)相比GRU模型有了一定提升。多頭（第1組）年化收益6.0%，超過等權(quán)基準(zhǔn)4.4pct，模型多空年化收益8.4%。通過計算AGRU模型合成因子與傳統(tǒng)行業(yè)輪動模型慣用的量價、估值等因子的歷史相關(guān)性數(shù)據(jù)，我們發(fā)現(xiàn)，AGRU模型合成因子與傳統(tǒng)因子相關(guān)性很低。未來可以作為行業(yè)輪動模型因子選擇的一個較好補(bǔ)充。
未來，我們將持續(xù)深化GRU模型在行業(yè)輪動中的應(yīng)用，在GRU模型中引入基本面、資金面、情緒面因子，并將GRU模型與傳統(tǒng)行業(yè)輪動模型結(jié)合，提高現(xiàn)有模型的收益表現(xiàn)。
風(fēng)險提示：市場風(fēng)格轉(zhuǎn)換風(fēng)險，第三方數(shù)據(jù)提供不準(zhǔn)確風(fēng)險，歷史結(jié)果不代表未來收益，本報告不構(gòu)成投資建議。
|
|
