剔除低预期的GRU弹性赛道优选【华福金工·李杨团队】|分析师|剔除低预期的gru弹性赛道优选|华福金工·李杨|李杨(导演)|稳健性

来源：市场资讯

（来源：贝塔阿尔法）

// 核心结论 //

本报告构建了一套多信号融合的行业轮动策略，旨在通过深度学习因子、分析师预期因子与基本面因子的分层叠加，提升对申万二级行业的优选能力。

首先，我们构建了基于行业与市场双分支GRU模型的深度学习因子。该模型通过分别刻画行业自身特征与市场状态特征，输出行业相对强弱分数，并在周度换仓下实现行业轮动。回测显示，以周三为换仓日的策略表现最优，年化收益达14.47%，超额收益11.94%，信息比率1.92，且在不同随机种子下具备稳健性。相比LightGBM及无市场分支的GRU模型，该因子在超额收益和IC稳定性上均有显著提升。

其次，我们系统化构建了分析师预期因子。通过对一致预期数据进行同比增长率转化、多窗口平滑及IC检验，筛选出具有分层能力的预期类因子。分组回测显示，分析师预期因子具备一定的方向性，低预期组（第一至第三组）收益持续较弱，具备负向剔除的价值。但单因子策略收益集中在少数阶段，稳健性不足，更适合作为辅助信号使用。

在此基础上，我们构建了剔除低分析师预期后的双因子融合模型。在剔除分析师预期较低的行业后，深度学习因子的分组单调性进一步增强，Top5组年化收益提升至19.60%，超额收益16.96%，较单因子显著增强。交叉分组分析显示，深度学习高分组的行业在分析师预期上也多分布于高分组，二者在头部区域具有一定协同性。

最后，我们引入基本面因子构建三信号融合模型。基本面因子涵盖盈利能力、成长性、现金流与估值等维度，IC均值为正且覆盖交易日充足。即便基本面因子单独表现并不突出，但其与深度学习因子的低相关性提供了显著的边际信息增益。三因子融合后，Top5组年化收益进一步提升至23.44%，超额收益20.71%，较双因子提升3.85%。2025年样本外绝对收益达62.81%，策略在趋势跟踪与反转识别之间取得良好平衡。

风险提示：本报告所有分析均基于公开信息，不构成任何投资建议；若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；过往业绩不代表未来表现；历史规律总结仅供参考，或不会完全重演。

// 报告正文 //