GRU選股模型在不同市場狀態下的分域訓練效果及適用場景分析

報告通過實證研究分析了多種分域變量對GRU選股模型的影響，結果表明不同分域方式的效果存在顯著差異，且對年份和股票池的適應性不同。

首先，宏觀經濟分域通過區分經濟上行和下行階段分別訓練模型，整體提升了模型的截面排序能力和收益水平。分狀態來看，宏觀正向狀態下的改善優于負向狀態，且該分域在滬深300和中證500等大市值股票池中的改善效果優于中證1000，說明宏觀變量與大盤股的價量因子關聯更緊密。

其次，趨勢震蕩分域利用zig-zag信號將市場劃分為趨勢和震蕩狀態。結果顯示，震蕩狀態下的GRU模型改善更為明顯，不僅提升了RankIC和多頭年化超額收益，還有效收窄了多頭回撤。相比之下，趨勢狀態下的改善有限。在股票池應用中，趨勢震蕩分域在滬深300和中證500中的增量貢獻較為突出。

此外，其他分域變量也表現出特定的適用場景。市場流動性分域的有效性主要來源于流動性偏強狀態，而在流動性偏弱時效果減弱。全市場波動率分域在平滑表現分布和降低回撤方面表現較好，尤其在高波動環境下改善明顯。行業分離度分域則在行業低分離度狀態下效果較好，能提升收益彈性，但同時也帶來了回撤擴大的風險。

綜合來看，宏觀分域和趨勢震蕩分域的效果最為明顯。將分域因子加入指數增強模型后，兩種分域模型均對滬深300和中證500指數增強的表現有明顯的增量貢獻，驗證了分域訓練在提升策略有效性和穩定性方面的價值。