金融工程行業研究報告：結合基本面和量價特征的GRU模型.pdf

金融工程行業研究報告：結合基本面和量價特征的GRU模型。GRU 模型用于量價信息挖掘的能力被廣泛驗證，本文通過構建中 證1000超額組合的方式驗證GRU模型對財務信息的挖掘能力。從結 果上看，GRU模型可以同時結合量價信息與財務信息的挖掘，財務信 息的高頻化處理對模型結果有一定提升。模型最終表現受輸入信息對 預測目標的預測能力影響，財務信息對未來收益的預測能力在2022 年之前較為顯著，而2023年后純量價模型表現更好，適量加入財務 信息有助于改善GRU模型的穩定性。

GRU模型基準

基于股票過去240日行情訓練的基準模型，模型構建的中證1000 指數增強組合綜合超額年化收益8.75%，信息比率2.25，超額最大回 撤4.71%。

財務信息引入

在基準模型輸入的行情序列中簡單拼接財務信息向量，會導致模 型的最終表現變弱。基于財務指標TTM值能夠以季度增速穩定增長的 假設對財務信息進行日頻化處理，再將處理后的財務向量拼接到輸入 矩陣能顯著改善模型表現。

引入適量的財務信息有助于提升基準模型整體表現。加入財務信 息后的GRU模型相對于基準模型在2022年之前的表現提升較為明 顯，2023年之后提升較弱甚至負提升，這種現象隨著財務向量的增加 而更為顯著。

混頻模型

基于股票過去240日信息預測未來一個月收益率的GRU模型，與 基于股票日內240分鐘信息預測未來1-5日收益率的GRU相關性較 低，疊加后顯著提升模型表現。

barra5d 模型疊加日行情GRU模型后能顯著改善2024年10月以 后表現，加入基本面信息后模型的改善更加穩定，每一年的超額表現 更為均勻。

最終barra5d+日行情+精簡基本面的GRU模型的中證1000超額 組合綜合超額年化收益11.82%，信息比率2.39，超額最大回撤 5.70%。

運用barra5d+日行情+精簡基本面 GRU 構建滬深 300、中證 A500、中證500 以及科創綜指增強組合，綜合超額年化收益分別為 5.70%、5.71%、6.46%以及 6.28%。