金工专题报告：结合基本面和量价特征的GRU模型

GRU模型在量化投资中的应用研究

GRU模型现状

GRU模型在挖掘量价信息方面已被广泛应用，但如何结合财务信息仍是探索领域。本文研究直接将量价和财务信息挖掘整合至GRU模型中。

基准模型设定与表现

基准模型仅使用量价信息，构建中证1000指数增强组合，综合超额年化收益8.75%，信息比率2.25，超额最大回撤4.71%。

基本面信息引入

简单拼接财务信息

将财务信息向量简单拼接至输入矩阵，模型表现变弱，综合超额年化收益6.86%，信息比率1.46，超额最大回撤6.14%。

财务信息调整方式

假设财务指标TTM值以最近一期增速稳定增长，进行日频化处理，再拼接至输入矩阵，模型表现增强，综合超额年化收益7.76%，信息比率1.65，超额最大回撤5.40%。

引入财务信息的影响

过多引入财务信息会减弱模型表现，精简后仅保留净利润TTM和市值因子，综合超额年化收益9.97%，信息比率1.93，超额最大回撤5.70%。

混频模型

分钟数据模型回顾

barra5d模型基于日内240分钟数据，综合超额年化收益8.84%，信息比率1.99，超额最大回撤4.86%。

混频模型表现

叠加barra5d和日行情GRU模型，综合超额年化收益11.32%，信息比率2.42，超额最大回撤8.19%。

基本面对混频模型的作用

引入精简基本面信息后，模型表现进一步提升，综合超额年化收益11.82%，信息比率2.39，超额最大回撤5.70%。

其他指数增强组合表现

使用barra5d+日行情+精简基本面GRU因子构建沪深300、中证A500、中证500和科创综指增强组合，均取得正向超额收益。

风险提示

存在因子失效风险、模型失效风险和实盘交易风险。