本次为大家解读的报告是《量价时序特征挖掘模型在深度学习因子中的应用》，更多重要内容、核心观点，请参考报告原文，文末有完整版获取方式。
报告核心内容
西南证券研究发展中心发布的金融工程深度报告，深入探讨了量价时序特征在深度学习模型中的应用，以及这些模型在选股策略中的有效性。报告通过构建基于GRU网络的选股模型，以及利用自编码模型和生成对抗网络对特征进行降维和生成，提出了多角度特征工程的深度学习指数增强策略。
一、深度学习选股模型构建与效果
本文首先介绍了基于门控循环单元网络（GRU）的深度学习选股模型，该模型通过两层GRU层及多层感知器（MLP）神经网络来预测股票收益。模型训练和回测结果显示，GRU模型展现出一定的选股能力，但在信息比率和最大回撤率上存在优化空间。
二、基于自编码模型的特征降维
报告进一步探讨了自编码模型（AE）在特征降维中的应用，通过减少数据维度来提高模型训练速度和减少算力消耗。研究发现，特征降维后模型存在信息损失，但降维至360特征的AE_GRU模型表现相对优秀，因子IC均值为1.29%，多头年化收益率最高为4.82%。
三、基于生成对抗网络的特征生成
报告还采用生成对抗网络（GAN）生成新的量价时序特征，以增强深度学习模型的选股能力。构建的GAN模型包括LSTM生成器和CNN判别器，用以生成新特征并训练GRU模型。回测结果显示，GAN_GRU因子在全A股范围内表现突出，RankIC为7.03%，多空组合年化收益率达到46.64%。
四、深度学习指数增强策略
本文基于AE特征降维和GAN特征生成，分别构建了沪深300和中证1000指数增强策略。结果显示，GAN_GRU因子下的沪深300指数增强策略年化超额收益率为15.02%，中证1000指数增强策略年化超额收益率为17.54%，均优于普通GRU因子及AE_GRU因子。
总结：报告指出，虽然基于量价时序特征的GRU模型已具备选股能力，但通过特征降维和特征生成的深度学习模型能显著提升选股效果。特别是GAN_GRU模型，在指数增强策略中表现出色，为投资者提供了新的量化投资视角。然而，报告同时提醒，模型效果受多种因素影响，存在波动风险，投资者应谨慎使用。
报告节选
因篇幅限制，仅展示部分，更多重要内容、核心观点，请参考报告原文或底部相关报告。
