本文提出基于GRU神经网络模型,将量价数据与财务信息结合进行高频化处理,验证其对中证1000等指数增强组合的预测能力。经过财务信息简单拼接、调整日频化及精简优化后,GRU模型表现稳定,综合超额年化收益最高达到11.82%,信息比率2.39。叠加基于分钟级数据的barra5d模型进一步提升预测性能,显著改善2024年后表现波动,拓展至沪深300、中证500等多指数增强组合均表现优异。风险提示包括因子失效、模型失效及实盘交易风险。该方法为融合基本面与量价特征的深度学习量化策略提供了有效路径,展示了人工智能在量化投资中的实用价值和潜力
近年来,GRU模型因其在时间序列数据建模中表现优越,广泛用于量化投资中量价数据挖掘。但单纯结合财务信息尚为探索阶段,常见做法多为量价GRU与基本面多因子模型独立开发后结合。文中创新点在于尝试用一体化GRU模型同时挖掘两类数据,以解决相关性低的问题,探讨更深层次信息融合潜力.
基准模型基于长周期(240个交易日,约1年)日行情的量价数据训练,包含开盘价、最高价、最低价、收盘价、成交量、成交额、换手率7个字段,均做Z-score标准化;预测目标是次月收益率,训练按时间4:1分训练/验证集,采用月度滚动训练,训练过程采用早停机制以防过拟合。
模型输出为对中证1000成分股构建增强组合,约80%成份股参与,权重偏离不超过1%,风格和行业偏离严格控制,换手率限制为单边50%,交易基于次日VWAP价格,交易费用双边千3。
该端到端模型避免了中间信号拆分,评价重点在于最终组合表现。
资料来源:中邮证券研究所
资料来源:Wind,中邮证券研究所
初步尝试将利润表中20个关键财务指标(营业收入、成本、研发费用、净利润、市值等)作为TTM值(日滚动更新)直接拼接到量价数据的输入矩阵中,构成日行情+基本面GRU模型。
此方法导致模型整体IC和多空组合表现虽稳定且IC显著为正,但整体预测强度不及纯日行情GRU模型,超额收益减弱至6.86%,信息比率下降至1.46,最大超额回撤6.14%,且2023年后模型表现出现明显弱化(图表7-10).
简单拼接问题主要在于数据频率错配:量价数据每日都变,财务指标则是季度更新,导致输入矩阵中财务指标列大量重复值。
为缓解此问题,提出对财务TTM指标基于最近一期增速假设进行日频化平滑处理,采用如下公式生成每日估计值:
[ D F T T M_{q1}=\frac{F a c t o r T T M_{q1}-F a c t o r T T M_{q0}}{abs(F a c t o r T T M_{q0})} ] [ F a c t o r_{t} = F a c t o r T T M_{q} + abs(F a c t o r T T M_{q}) \times (D F T T M_{q})^{\frac{t-q}{90}} - 1 ]
此处理使每日财务指标有缓慢且稳定变化,更新及时跟踪财报最新数据。
以平安银行净利润TTM(调整后)为例,其指标曲线显示日频化连续性改善,消除大量重复点。
调整后模型从2022年前表现明显优于未调整模型,综合超额年化提升至7.76%,信息比率1.65(较无调整提升12.9%),且IC和多空表现更稳健,特别是2022年以前部分效果明显,2023年后表现仍较弱(图表12-16),8].
(./images/4dcef84adc37a20ee19498097e32681083ba34d342558a25797b1160bb076b4e.jpg?page=7)(./images/996dcfea2df2f8767bdc4d3720f3ecf583c206785c85e2127dcf33d783cb06dc.jpg?page=8)
鉴于大多财务指标相关性强且输入维度大导致模型对财务特征的依赖过重,提出仅保留关键财务字段:净利润TTM和市值,构建日行情+精简基本面GRU模型。
精简后模型IC和多空表现稳定,综合超额年化收益提升至9.97%,信息比率1.93,超额最大回撤5.7%,表现整体优于纯日行情和未精简基本面模型,2020-2022年表现提升明显,2023年后趋弱但优于全部基本面因子版本(图表18-22),10,11].
精简模型相较于基准表现提升显著,尤其在2022年前,有利于捕捉财务因子对收益的预测能力,同时避免因输入特征冗余导致模型稳定性下降。
(./images/620bee14dbb7816e1e8bfe15637483f001045f4298d2ad6af8dcc5cf78e26636.jpg?page=9)
研究团队先前基于分钟级(240分钟)数据开发了多个GRU模型:
多模型间相关性较低,部分低至13-22%,显示各模型捕捉市场不同层面信息(表23),基于分钟数据的barra5d模型尽管预测周期短,但具良好表现,月度IC显著为正(图24),多空净值曲线表现稳定(图25)。
该模型的中证1000超额组合表现有一定波动,尤其2024年10月出现回撤(图26-27),整体仍呈正向超额收益,年化收益8.84%,信息比率1.99,超额最大回撤4.86%,12,13].
| 模型相关性示意表 |
|---|
| 日行情GRU与barra5d相关性22.13%,相对较低,具差异化信息。 |
将barra5d模型与日行情GRU因子叠加,形成barra5d+日行情混频模型。
叠加后模型IC与多空表现显著优于单一模型,尤其修复了barra5d在2024年10月后表现不佳问题,超额组合年化收益提升至11.32%,信息比率2.42,超额最大回撤8.19%(图28-31),14].
进一步引入精简基本面GRU因子(净利润TTM及市值),得到barra5d+日行情+基本面混频模型,IC及多空表现持续提升,年化超额收益达到11.82%,信息比率2.39,最大超额回撤5.7%,回撤更低,收益稳定性显著加强(图32-36),16].
基于barra5d+日行情+精简基本面GRU因子构建沪深300、中证A500、中证500、科创综指指数增强组合,组合优化策略一致。
报告为量化模型技术研究,未涉及具体市价或估值目标,重点分析模型预测能力和组合超额收益表现,不涉及标准DCF、市盈率等传统估值方法。
明确讨论了因子和模型失效的风险,强调市场环境和逻辑变化带来的不确定性,同时指出实际成交和交易环境复杂性不能完全模拟,存在实盘风险,提醒投资者风险意识,21].
整体看来,报告内容严谨、数据详实,但对模型的一些关键细节假设和动态调节仍留空间,未来可进一步完善模型适应性和动态风险控制机制。
本文系统验证了GRU模型在结合量价及财务基本面信息进行股票收益预测中的应用效果。基准仅以240日量价数据训练的日行情GRU模型,表现出稳健且显著正向的IC和超额收益。财务信息简单拼接未带来提升,反映了信息发布频率错配问题。通过基于财报TTM指标的日频化平滑处理,模型表现明显改善,尤其在2022年前。财务因子精简后,模型超额年化收益提升至9.97%,表现优于无财务因子模型。
此外,分钟级别的barra5d模型与日行情GRU模型低相关,叠加形成混频模型使得模型捕获短期和长期市场特征,进一步提升识别能力和风险调整后的收益,最终组合综合超额年化收益达到11.82%,信息比率2.39,最大超额回撤控制在5.7%以内。
此混频模型不仅在中证1000指数增强组合表现优异,且成功扩展应用于沪深300、中证A500、中证500及科创综指,带来稳健的超额收益表现,具备实际投资应用价值。
图表分析清晰体现因子表现历史趋势、多空差异及回撤风险点,验证了量价与基本面特征融合的量化投资路径,同时也警示财务信息输入频率敏感性和维度选择的重要性。
最后,报告明确提示因子和模型失效风险及实盘交易潜在风险,保证了研究结论的严谨性和参考价值,对量化投资研究和实务操作均提供了丰富的理论与实证支撑,具有较强的参考与推广意义。
引用溯源: 本文所有结论与分析均基于报告原文内容,引用页码详见各章节末尾对应标识。
结合基本面和量价特征的GRU模型【中邮金工】.pdf