猜你想问
申万宏源金工晨话 GRU选股模型的时序分域探索报告主要研究什么？
该报告主要探讨通过时间序列分域提升原始 GIU 模型表现的方法，解决 GIU 模型在时间分布上特征不均匀的问题。报告使用高开低收量七个基础特征，输入40天时间序列，输出未来五天收益率预测，并采用八年滚动训练。通过将历史训练样本根据特定状态分为两部分分别训练模型，报告尝试了多种分域变量，包括宏观变量（经济流动性、市场波动率、行业分离度）和市场变量（趋势-震荡、市场流动性、全市场波动率、行业分离度），最终发现宏观和趋势-震荡分域因子能提升模型表现，且两者有一定互补作用。
该报告对赛道/报告分析方向有何发展趋势分析？
报告指出，分域方法对大股票池（300）的改善效果更明显，宏观和趋势-震荡分域因子更适合作为分域变量，而市场流动性、全市场波动率和行业分离度作为分域变量效果有限，更适合做权重调整。未来可尝试更多分域方法，如 region、swit 等，以及融合工作。这表明在选股模型中，针对不同市场状态进行分域处理可能成为提升模型性能的重要方向，尤其对于大市值股票池的适应性更强。
报告重点分析了哪些方向？
报告重点分析了通过时间序列分域提升 GIU 选股模型表现的方法，尝试了多种分域变量，包括宏观变量（经济流动性、市场波动率、行业分离度）和市场变量（趋势-震荡、市场流动性、全市场波动率、行业分离度）。研究发现，宏观和趋势-震荡分域因子均能提升模型表现，且两者有一定互补作用，趋势-震荡分域因子整体表现略优于宏观分域因子。此外，报告还分析了分域方法对不同股票池的改善效果，发现对大股票池（300）的改善更明显，并探讨了未来可尝试的分域方法方向。
当前市场现状如何？
报告显示，原始 GIU 模型虽年化多头收益约10%，但年度分布不均匀，分域后部分变量如市场波动率和全市场波动率呈现单向性，且行业分离度分域效果主要在低分离度时明显。这表明当前市场状态对模型表现存在一定影响，分域方法有助于改善模型在不同市场状态下的适应性，尤其能显著降低回撤，但年度分布仍需进一步优化。
该报告存在哪些风险提示？
报告指出，分域变量如市场流动性、全市场波动率和行业分离度作为分域变量效果有限，更适合做权重调整，而非直接分域。此外，宏观分域因子在2026年效果不明显，表明分域方法的效果可能受限于特定市场环境。因此，报告提示在使用分域方法时需注意变量的选择和适用场景，并需结合市场状态进行动态调整，同时应关注未来分域方法可能存在的局限性。