GRU選股模型時序分域探索：宏觀與趨勢狀態對策略有效性的提升

統一GRU模型的基礎表現與局限性

在量化選股領域，門控循環單元（GRU）因其處理時間序列數據的能力而被廣泛應用。傳統的統一訓練GRU模型通常假設不同時段的市場服從類似的運行規律，利用股票過去一段時間的量價走勢作為輸入，學習其中可能與未來收益相關的非線性信息。然而，隨著市場環境變化速度加快，不同市場環境往往對應著不同的交易模式，這種統一訓練的方式可能導致模型效果出現衰減。

基于A股基礎量價數據構建的統一GRU模型，在樣本外區間內展現出較穩定的截面排序能力。模型僅依靠歷史量價序列，即能對股票未來收益形成有效的橫截面排序，多頭組合與多空組合均體現出一定的有效性。但在不同年份的表現上存在差異，部分年份表現相對偏弱。此外，模型的有效性在不同市值風格的股票池中表現不均，中小市值股票池中的區分能力相對強于大盤股內部。

時序分域訓練方法的構建邏輯

針對統一模型在不同市場狀態下表現波動的問題，報告提出了時序分域訓練的方法。其核心動機在于，市場宏觀狀態、交易結構、投資者情緒等因素可能導致股價分布規律發生“跳變”。因此，通過引入外部狀態標簽將樣本劃分為不同的市場狀態，并在每個狀態內部單獨訓練GRU專家模型，最后根據當下判斷的狀態選擇對應的模型進行預測，旨在提升模型對市場變化的適應性。

該方法首先根據宏觀經濟、趨勢震蕩、市場流動性、全市場波動率、行業分離度等時間序列變量構建分域標簽。隨后，在滾動訓練窗口內，依據這些狀態標簽將樣本拆分為不同子集，分別訓練獨立的GRU模型。在樣本外回測階段，根據當前的狀態判斷結果，動態選擇相應的專家模型進行預測和組合構建。

宏觀分域與趨勢震蕩分域的實證效果

在宏觀經濟分域測試中，將樣本劃分為經濟上行和下行兩個階段分別訓練模型。結果顯示，宏觀分域對模型整體截面排序能力有小幅增強，多頭和多空收益均有提升，但回撤也伴隨擴大。分狀態來看，宏觀正向狀態下IC和收益的改善優于負向狀態，說明對宏觀經濟上行、下行分別建模能夠更好地捕捉特定環境的價量結構特征。在股票池層面，滬深300和中證500的改善情況優于中證1000，表明宏觀變量與大盤股價量因子的關聯更為緊密。

在趨勢震蕩分域測試中，利用zig-zag信號將市場劃分為趨勢和震蕩狀態。研究發現，震蕩狀態下GRU模型的改善更加明顯，RankIC和多頭年化超額收益均有顯著提升，且多頭回撤得到收窄。相比之下，趨勢狀態下的改善有限，甚至略有下降。這可能是因為震蕩狀態下價量特征更為顯著，而趨勢狀態下股價受更多因素影響。在股票池應用中，趨勢震蕩分域在滬深300和中證500中的增量貢獻較為明顯。

其他分域變量及指數增強應用

除了宏觀和趨勢狀態，報告還測試了市場流動性、全市場波動率和行業分離度等變量。市場流動性分域的有效性主要來自流動性偏強狀態，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。

將統一模型、宏觀分域和趨勢震蕩分域生成的因子值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。趨勢震蕩分域在滬深300指數增強中的超額收益貢獻相比原模型有所增加，而宏觀分域和趨勢震蕩分域在中證500指數增強中的超額收益貢獻也均有提升。這表明分域選股因子能夠為現有的指數增強策略提供有效的Alpha來源。

研究局限與后續方向

現有的分域方法主要基于單一變量進行硬切分，忽略了狀態中性、狀態過渡以及多種風格并存的情況，且可能導致單個模型訓練樣本減少。后續研究可轉向更一般的機制轉換或動態模型混合框架，利用多維變量識別隱含市場狀態，或將狀態概率作為特征或模型權重引入GRU模型，以實現更柔性的預測和持倉調整。