AI+HI系列（4）：CrossGRU：基于交叉注意力的时序+截面端到端模型

AI+HI系列（4）：CrossGRU模型研究

一、动机与背景

在进行端到端的量价因子挖掘时，传统的GRU等模型未充分考虑股票间的依赖关系，这导致在市场环境变化时模型表现不佳。为解决这一问题，本报告提出CrossGRU模型，旨在通过引入交叉注意力机制与市场隐变量路由，增强模型在时序与截面信息交互上的能力，从而提高其在复杂市场环境下的适应性和准确性。

二、模型介绍

(一) 时序模型

CrossGRU模型基于GRU（Gated Recurrent Unit）进行时序信息的提取。GRU是一种高效的循环神经网络，能够自适应地捕获序列数据中的依赖关系，特别适用于时间序列预测和因子挖掘任务。

(二) 交叉注意力

交叉注意力机制被引入以捕捉不同股票之间的相互影响，通过市场隐变量作为中介，实现高效的信息交互，同时保留了时序模型的效率优势。

(三) CrossGRU模型

• 时序交互：在GRU的基础上，增加了对时序信息的深入挖掘。
• 截面交互：通过交叉注意力机制，实现了与截面信息的高效交互。
• 时序截面融合：引入可学习的残差连接，实现了时序信息与截面信息的自适应融合。

三、量价因子挖掘测试

• 数据集：使用中证全指股票池进行回测。
• 因子测试：CrossGRU模型在5日和10日RankIC测试中均表现出色，优于GRU模型。在20分组的TOP组超额收益测试中，CrossGRU实现了7%的年化收益提升。
• 消融测试：验证了市场隐状态数量对模型表现的影响，总体上CrossGRU模型的IC表现优于GRU模型，TOP组多头收益提高了3%~7%，回撤也得到了改善。

四、总结

CrossGRU模型通过创新地结合时序与截面信息，显著提升了量价因子挖掘的效率与准确性。相较于传统模型，CrossGRU在不同市场环境下展现出更强的适应性和稳定性，为量化投资提供了新的工具和思路。

五、风险提示

策略基于历史数据的回测，未来数据的有效性无法保证；深度学习模型存在过拟合的风险；模型性能受到随机因素的影响。

此报告总结了CrossGRU模型的主要特点、测试结果及潜在风险，强调了其在量化投资领域的创新性和实用性，为投资者提供了基于最新技术的分析视角。