人工智能系列之75：patch思想用于长时间序列量价选股模型
　　随着高频数据的普及和算力的发展，量化投资中使用的时间序列数据长度正逐渐扩展。传统GRU模型在处理长序列数据时可能存在信息遗忘、难以捕捉周期性和异质性规律等问题。本研究引入patch的思想，按照交易日将股票的长时间序列量价数据划分为多个patch，设计PatchModel1和PatchModel2两个模型，并在两个选股场景下进行测试。结果表明，patch模型具有增量信息，模型融合后相比GRU均有提升。使用两个场景下的合成因子对前期报告的全频段融合因子加以改进，回测表现有所提高。
　　传统GRU模型在处理长序列数据时可能存在一些“盲区”
　　作为一种经典的时间序列深度学习模型，GRU在量化投资中有着广泛应用。然而，GRU在处理长时间序列量价数据存在一些缺陷。首先，当序列非常长的时候，GRU会遇到梯度消失、信息遗忘的问题。其次，高频量价数据具有一定的周期性，GRU难以捕捉这种周期性的规律。此外，长时间序列量价数据的日内和日间信息传递具有异质性，但参数共享的设计造成GRU只能一视同仁地处理所有时间点的数据。
　　模型引入patch设计能够有效缓解GRU的不足
　　Patch的思想可概括为对数据进行分块处理，并将每一块作为一个整体传入模型，在时间序列预测和计算机视觉等领域均有应用。本研究按照交易日将股票的长时间序列量价数据划分为多个patch，使模型可以有效缓解信息遗忘的问题，并引入以日为周期的先验知识，差异化地分析日内和日间信息传递。本文设计了PatchModel1和PatchModel2两个模型。PatchModel1使用GRU处理日内的时序数据，再通过注意力机制构建日间的联系；PatchModel2将日内时点信息拆解为不同的特征，再使用GRU来挖掘日间的时序规律。
　　Patch模型相较于基准GRU模型具有增量信息
　　本研究在两个场景下测试patch模型的表现。在15分钟频量价数据序列中，patch模型回测表现优于GRU，且模型间预测值相关性不高，等权合成因子的表现进一步提升。样本空间为全A股，GRU与patch模型合成后，2017/1/4～2024/2/29的回测期内周度RankIC均值从8.86%提升到9.58%，分10层TOP组合年化超额收益率从21.15%提升到24.65%。在30分钟频量价特征序列中，patch模型回测表现略弱于GRU，但仍能提供增量信息。GRU与patch模型合成后，周度RankIC均值从8.27%提升到8.62%，分10层TOP组合年化超额收益率从20.42%提升到21.64%。
　　改进全频段融合因子，回测表现有所增强
　　使用上述两个实验场景中的合成因子，对前期报告的全频段融合因子加以改进。全频段融合因子在2017/1/4～2024/2/29的回测期内周度RankIC均值从10.42%提升到11.33%，分10层TOP组合年化超额收益率从32.61%提升到34.40%。基于全频段融合因子2.0版本构建指数增强组合。在周双边换手率分别控制为30%、40%和50%的情况下，2017/1/4～2024/2/29回测期内中证500增强组合年化超额收益率为18.93%、18.57%和18.43%，信息比率为3.27、3.12和3.00；中证1000增强组合年化超额收益率为29.25%、30.92%和28.94%，信息比率为4.35、4.48和4.12。
　　风险提示：借助高频因子、人工智能构建的选股策略是历史经验的总结，存在失效的可能。深度学习的可解释性较弱，使用需谨慎。