本报告构建了基于GRU神经网络的K线技术分析专家模型，实现了对市场技术形态特征的自动化提取与智能化预测。模型在截面选股、时序择时、风格轮动、行业轮动以及ETF轮动等多个应用场景中均展现出稳健的超额收益获取能力。
核心能力验证： 单周期日K模型在2018-2026年间的全样本测试中，截面IC均值达到9.14%，对应ICIR为1.00；时序IC均值为10.25%，时序ICIR为0.68；Panel IC为9.55%，验证了模型在时空双维度上的整体有效性。截面选股多头组合相对全A等权基准实现了年化10.73%的超额收益，收益回撤比0.71，在2018年、2020年、2022年等市场波动较大的年份表现尤为突出。
择时能力的突破性进展： 模型在指数择时领域展现出超越传统方法的预测能力。以中证全指为标的，直接推理法下的择时策略1全区间年化超额收益达到15.94%，收益回撤比0.75；策略2年化超额19.92%，收益回撤比0.89；策略3年化超额13.26%，收益回撤比0.82。值得强调的是，中证全指的K线形态从未出现在模型训练样本中，这一零样本推理的成功验证了模型学习到的是具有普适性的价格演变规律，而非针对特定标的的统计套利机会。参数敏感性测试显示，在回看窗口N=30至N=80的较宽区间内，择时策略均取得了稳定的正超额收益，年化超额收益稳定在12%-15%之间，不存在明显的参数过拟合问题。标的敏感性测试表明，同一套择时逻辑在沪深300、中证800、中证1000、创业板指等不同风格宽基指数上均取得了显著正超额，其中中证1000超额20.44%，创业板指超额23.79%，验证了模型的跨标的泛化能力。
多周期融合架构的优势： 引入周K线数据后，独立GRU架构的截面IC均值从9.14%提升至9.51%，截面ICIR从1.00提升至1.10，选股能力得到实质性增强。参数相关性分析显示，日K-GRU与周K-GRU的Pearson相关性均值仅为-0.69%，接近零相关，证明两个子模块演化出了高度差异化且互补的特征提取策略，有效避免了表征冗余。
轮动策略的优异表现： 在风格轮动场景中，国证成长价值轮动策略全区间年化超额收益达到7.42%，巨潮大小盘轮动策略年化超额6.53%，均展现出较好的风险收益特征。行业轮动策略表现更为突出，中信一级行业轮动策略3全区间年化超额12.60%，收益回撤比2.12，最大回撤控制在-5.95%以内，在所有测试策略中风险调整后收益指标最优。ETF轮动策略取得了最显著的超额收益，5日调仓版本全区间年化超额16.56%，收益波动比1.80，收益回撤比1.57。相较于行业轮动策略，ETF轮动的超额收益更高，这源于ETF池涵盖了行业、主题、风格等多维度标的，提供了更丰富的alpha来源，同时直接基于ETF跟踪指数建模避免了传统ETF轮动方法下行业映射的信息损失。
模型相较传统量化方法的核心优势： 统一的预测框架、自适应的特征学习、出色的泛化能力、多维度信息整合、直接面向交易标的。
