机器学习金融工程月报
目录
1前言1
2GAN_GRU模型简介1
2.1GRU模型基本假设1
2.2GAN模型简介2
2.3GAN特征生成模型构建4
3GAN_GRU因子表现6
4GAN_GRU因子多头组合7
5风险提示8
请务必阅读正文后的重要声明部分
机器学习金融工程月报
图目录
图1：深度学习选股模型结构2
图2：生成对抗网络（GAN）模型示意4
图3：卷积神经网络(CNN)模型示意5
图4：GAN_GRU模型示意5
图5：GAN_GRU因子各行业近期IC表现6
图6：GAN_GRU因子各行业近期多头组合表7
表目录
表1：深度学习选股量价特征表1
表2：GAN_GRU因子历史表现6
表3：2025年5月末模型输出各行业排名第一个股7
表4：因子得分排名前十的个股8
请务必阅读正文后的重要声明部分
机器学习金融工程月报
1前言
本篇，我们基于西南金工前期发布报告《量价时序特征挖掘模型在深度学习因子中的应
用》（2024年7月11日）中提到的GAN_GRU模型，定期更新GAN_GRU因子自2024年
以来表现情况。其中GAN_GRU因子为利用生成式对抗神经网络GAN模型进行量价时序特
征处理后再利用GRU模型进行时序特征编码得到的选股因子。
2GAN_GRU模型简介
2.1GRU模型基本假设
前期报告《量价时序特征挖掘模型在深度学习因子中的应用》中，主要构建了GRU+MLP
的神经网络股票收益预测基本模型，其中模型细节如下：
量价特征：包括收盘价、开盘价、成交量、换手率等在内的18个量价特征。
调仓频率：以月频调仓方式进行预测和回测。
训练与预测方式：
（1）训练数据及输入特征设定：所有个股过去400天内的18个量价特征，每5个交
易日做一次特征采样。特征采样形状为40*18，即利用过去40天的量价特征来预
测未来20个交易日的累计收益。
（2）训练集验证集比例：80%：20%。
（3）数据处理：每次采样的40天内，每个特征在时序上去极值+标准化、每个特征在
个股层面上截面标准化。
（4）模型训练方式：半年滚动训练，即每半年做一次模型训练，并用以未来半年收益
的预测，训练时间点为每年的6月30日及12月31日。
（5）股票筛选方式：选取截面所有股票，剔除ST及上市不足半年的股票。
（6）训练样本筛选方式：剔除label为空值的样本。
（7）超参数：batch_size为截面股票数量、优化器Adam、学习速率1e-4、损失函数
IC、早停轮数10、最大训练轮数50。
表1：深度学习选股量价特征表
特征名称特征助记符特征说明频次
前收盘价PrevClosePrice当日前一天收盘价