金融工程专题：基于深度学习GRU因子的行业轮动模型-250925-渤海证券
在深度学习领域，门控循环单元（Gated Recurrent Unit, GRU）与它的前 身长短期记忆网络（LSTM）齐名，共同构成了处理序列数据的核心模型。 GRU 通过引入“门控机制”来控制信息的流动，决定哪些历史信息应该被
报告摘要
在深度学习领域，门控循环单元（Gated Recurrent Unit, GRU）与它的前 身长短期记忆网络（LSTM）齐名，共同构成了处理序列数据的核心模型。 GRU 通过引入“门控机制”来控制信息的流动，决定哪些历史信息应该被
核心要点
- 分析师：宋旸
- 证券分析师
- 将多远的历史信息传递到现在，从而捕捉到影响股价的长期趋势和周期性
- 2、可以学会忽略与预测未来无关的短期波动和市场噪音，专注于真
- 3、能够有效地处理和融合这些不同时间尺度和量纲
- 4、具有更快的训练速
- 3.8%，超过等权基准 2.2pct，多空年化收益 7.0%。
- 2025 年 9 月 25 日
报告信息
- 文件全名
- 《金融工程专题：基于深度学习GRU因子的行业轮动模型-250925-渤海证券-16页.pdf》
- 适合读者
- 核心数据
- 2、可以学会忽略与预测未来无关的短期波动和市场噪音，专注于真
- 入为指数的日度量价数据，预测目标为下一期周度收益率。
- 通过回测可知，基于 GRU 预测的行业轮动模型历史 rank IC 均
- 3.8%，超过等权基准 2.2pct，多空年化收益 7.0%。
- 多头（第 1 组）年化收益 6.0%，超过等权基准 4.4pct，模型
- 核心议题
常见问题
《金融工程专题：基于深度学习GRU因子的行业轮动模型-250925-渤海证券》主要包含哪些内容?
在深度学习领域，门控循环单元（Gated Recurrent Unit, GRU）与它的前 身长短期记忆网络（LSTM）齐名，共同构成了处理序列数据的核心模型。 GRU 通过引入“门控机制”来控制信息的流动，决定哪些历史信息应该被核心数据:2、可以学会忽略与预测未来无关的短期波动和市场噪音，专注于真;入为指数的日度量价数据，预测目标为下一期周度收益率。;通过回测可知，基于 GRU 预测的行业轮动模型历史 rank IC 均。
这份报告由哪家机构发布?
本报告由渤海证券发布,发布于 2025 年。
这份报告覆盖哪一年、篇幅多大?
覆盖 2025 年,全文约 16。
这份报告是免费的吗?如何获取?
本报告免费查阅,登录资料宝后即可在线获取完整内容。
这份报告适合哪些读者?
适合投资人、行业研究员等读者参考。
报告涉及哪些关键议题?
重点分析了股价等议题。
继续阅读
查看全部 →