国泰海通金工 | 专题：基于GRU、TCN模型的深度学习因子选股效果研究——权益配置因子研究09

国泰海通国泰海通金工研究 2026-05-23 置信度: high

综合质量 5 /5

新颖性 3 /5

可复现性 3 /5

核心内容

报告使用GRU、TCN及TCN+GRU混合模型，输入日、周度行情数据（高开低收均价换手率），预测未来5日或10日均价涨跌幅作为深度学习因子。模型滚动训练，每年更新。因子测试显示中小盘选股效果更好，预测10日收益优于5日，GRU优于TCN。复合因子与低波、低流动相关性高，构建指数增强策略在各大宽基指数中均获显著超额。

经济逻辑

深度学习模型能有效提取量价时序数据中的非线性特征与长短期依赖关系，挖掘传统线性因子难以捕捉的规律，尤其在散户参与度较高的中小盘市场（如中证1000/2000）定价效率较低，更容易获取Alpha。此外，模型部分收益来源于捕捉风格轮动和行业轮动规律。

超额收益逻辑

超额收益来源于深度学习模型对复杂量价时序特征的非线性提取能力，尤其在中小盘定价偏差中获利。此外，模型部分收益捕捉了风格和行业轮动规律（中性化后超额下降所印证）。

构造细节 [model]

模型架构

包含TCN、GRU及TCN+GRU三种架构。TCN基于因果卷积、扩张卷积和残差连接构建，包含ReLU激活与Dropout正则化。GRU为2层循环神经网络。TCN+GRU将TCN提取的特征输入GRU进行序列建模。

输入

30日量价特征60日量价特征30周量价特征

输出

未来5日均价涨跌幅预测值, 未来10日均价涨跌幅预测值

训练

滚动训练：每年年底训练新模型用于下一年预测。使用前9年数据为训练集，第10年数据为验证集。BatchSize为一个交易日的股票数量。损失函数为预测值与收益率相关系数的负数（即最大化IC）。随机种子GRU固定为3，TCN未固定。

数据输入

: (日频(30日、60日行情)、周频(30周行情)): (日频): (日频)

组合方式

等权加权不同模型和不同预测周期生成的单因子得到复合因子

绩效

11.8%

沪深300增强年化超额(无暴露)

13.6%

中证500增强年化超额(无暴露)

21.7%

中证1000增强年化超额(无暴露)

27.1%

中证2000增强年化超额(无暴露)

基准: 沪深300、中证500、中证1000、中证2000

回测期: 2017年1月-2025年6月

控制市值行业无暴露下，各宽基指数增强策略2017年以来均获得显著超额收益，中小盘表现尤为突出；深度学习因子与低波、低流动性因子相关性较高。

收益归因

市值行业中性化后因子超额收益明显减少，部分说明深度学习因子捕捉到风格轮动、行业轮动的规律。

缺口: 未进行基于风险模型的严格收益归因分析。

稳健性

子样本稳定性: 在中小市值股票池（中证1000、中证2000）表现稳定且超额更高，在沪深300表现相对较弱。

风格偏差: 深度学习因子与低波动、低流动性因子相关性较高，与反转因子也有一定相关性，与基本面因子相关性低。市值行业中性化后因子超额收益明显减少，说明存在显著风格/行业暴露。

模型在中小盘和适当风格暴露下表现稳健，但GRU整体优于TCN，预测10日优于5日。

数据依赖

所需数据: 日频/周频行情数据（高、开、低、收、均价、换手率），指数成分股历史名单估算。

可复现性: medium

仅依赖标准量价数据，数据需求基础且通用；模型结构和参数披露详细，但部分组件（如估算的历史成分股名单、组合优化器的具体参数）需自行对齐，复现难度中等。

新颖性评估 [新组合]

将成熟的GRU和TCN模型应用于A股截面选股，对比了不同序列长度、预测周期和模型组合的效果，应用技术本身非原创，属于常规工程实践与架构组合。

不足与缺陷

采用相关系数取负作为损失函数，未显式控制预测值的尺度和方差分布，可能导致因子值波动或极值问题
周度调仓且单边换手约束20%，实际换手率可能极高，双边0.3%费用扣除后超额收益可能大幅缩水（特别是超额不高的沪深300）
TCN未固定随机种子，结果可能缺乏严格可重复性
指数增强策略中的组合优化细节未披露，约束处理存在黑盒化

可复用元素

BatchSize设置为一个交易日股票数量，将截面打包训练，兼顾了时间序列与截面对齐
使用相关系数取负作为损失函数，直接优化因子IC，目标明确
详细的模型参数和结构对比，为后续实现提供基线参考
对比市值行业中性化前后的表现差异，用于解释因子收益来源

启发

可以使用IC作为优化目标直接训练因子，这在端到端的深度学习因子挖掘中是高效的做法
不同序列长度和预测周期对模型效果影响不同，未来可探索多周期多尺度特征融合
因子收益在中小盘输家组贡献更多，提示深度学习在排雷上效果可能更好，可结合剔除策略

改进方向

引入Attention机制的Transformer模型替代GRU/TCN，并使用MSE+IC的复合损失函数

基于: 报告中提到TCN+GRU及单一模型在长序列捕捉上仍可提升预期收益: Transformer的自注意力机制能更好地捕捉全局序列依赖，复合损失函数可同时保证预测精度和因子单调性，有望提升沪深300等大盘股池的rankIC和超额收益。

引入更高频的分钟级量价特征或订单簿不平衡特征替代日频/周频特征

基于: 报告仅使用日/周行情数据以避免过拟合，但限制了短期微观结构的捕捉预期收益: 在控制过拟合的前提下，提取分钟级短周期反转特征，可能显著提升5日预测模型的精度，并降低与低流动性因子的相关性。

复现计划

1. 准备A股日频和周频行情数据（OHLCV及均价）。2. 按年度滚动划分训练集(前9年)和验证集(第10年)。3. 按照给定网络结构和超参数搭建GRU和TCN模型。4. 以截面日股票数为BatchSize训练，损失函数取相关系数负数。5. 生成24个模型对应的预测因子值。6. 对各因子进行标准化或市值行业中性化处理。7. 等权合成复合因子。8. 建立组合优化器，设置80%成分股权重、单边换手20%、市值/行业暴露约束，进行周度回测。