投资要点
　　GRU模型用于量价信息挖掘的能力被广泛验证，本文通过构建中证1000超额组合的方式验证GRU模型对财务信息的挖掘能力。从结果上看，GRU模型可以同时结合量价信息与财务信息的挖掘，财务信息的高频化处理对模型结果有一定提升。模型最终表现受输入信息对预测目标的预测能力影响，财务信息对未来收益的预测能力在2022年之前较为显著，而2023年后纯量价模型表现更好，适量加入财务信息有助于改善GRU模型的稳定性。
　　GRU模型基准
　　基于股票过去240日行情训练的基准模型，模型构建的中证1000指数增强组合综合超额年化收益8.75%，信息比率2.25，超额最大回撤4.71%。
　　财务信息引入
　　在基准模型输入的行情序列中简单拼接财务信息向量，会导致模型的最终表现变弱。基于财务指标TTM值能够以季度增速稳定增长的假设对财务信息进行日频化处理，再将处理后的财务向量拼接到输入矩阵能显著改善模型表现。
　　引入适量的财务信息有助于提升基准模型整体表现。加入财务信息后的GRU模型相对于基准模型在2022年之前的表现提升较为明显，2023年之后提升较弱甚至负提升，这种现象随着财务向量的增加而更为显著。
　　混频模型
　　基于股票过去240日信息预测未来一个月收益率的GRU模型，与基于股票日内240分钟信息预测未来1-5日收益率的GRU相关性较低，叠加后显著提升模型表现。
　　barra5d模型叠加日行情GRU模型后能显著改善2024年10月以后表现，加入基本面信息后模型的改善更加稳定，每一年的超额表现更为均匀。
　　最终barra5d+日行情+精简基本面的GRU模型的中证1000超额组合综合超额年化收益11.82%，信息比率2.39，超额最大回撤5.70%。
　　运用barra5d+日行情+精简基本面GRU构建沪深300、中证A500、中证500以及科创综指增强组合，综合超额年化收益分别为5.70%、5.71%、6.46%以及6.28%。
　　风险提示：
　　因子失效风险；模型失效风险；实盘交易风险。