多维度特征输入，丰富模型信息。为提升因子预测能力，本报告构建了涵盖6大一级类别、128个特征的输入体系，覆盖基础收益率（如日内收益率、隔夜收益率）、Barra风格因子（如对数市值、贝塔、动量）、基础量价因子（如换手率、波动率）、基本面因子（估值、盈利能力、成长能力等）、高频因子（分钟级成交额自相关性、Level2主动买卖占比等）及技术指标（MACD、RSI、布林带等）。丰富的特征结构能够充分捕捉市场的多维信息，降低特征不足可能带来的欠拟合风险。
　　多模式GRU模型池设计，平衡预测精度与效率。选用GRU作为基础架构，并在此基础上构建了4类差异化模型组成模型池：基础GRU、PatchGRU（切片降低显存占用）、AttentionGRU（多头自注意力捕捉特征权重）、FFTGRU（融合时间域与频率域特征）。多模型设计通过结构差异降低拟合噪音并期待提升预测精度。
　　多训练回顾周期设计，适配市场风格变化。针对A股风格的周期性波动（如2021下半年至2024年初小市值占优、2023年和2025年初计算机行业强势），设计了4类滚动训练周期：短期（2年）、中期（4年）、长期（6年）、全历史训练，分别学习短/中/长期及全历史的动量信息，有效避免单一训练周期导致的风格适配偏差。
　　多维度因子合成策略，提升选股稳定性与有效性。基于32个单因子（4周期×4模型×2预测目标）进行等权合成。2015-2025.08.22，VWAPT1–T21的RankIC达0.176，ICIR为1.342，IC胜率92.5%；在沪深300、中证500、中证1000、万得全A指数成分股中的10分组多空年化收益率分别为48.1%、51.6%、74.4%、88.4%。合成因子呈现小市值、低Beta、低波动、低流动性、高BP、高EP的风格特征；不同维度因子相关性合理（模型间相关性>0.9，周期间相关性最低0.7），保障了集成效果的稳健性。
　　指增表现：沪深300指增策略年化超额收益率7.7%，跟踪误差2.4%，信息比率3.24，超额最大回撤3%，超额卡玛比率2.56，年均单边换手率2.5倍。2024年超额收益5.8%，跟踪误差2.8%，最大回撤仅2.4%。2025YTD超额收益2.4%，跟踪误差2%，最大回撤1.2%。中证500、中证1000指增策略年化超额收益率分别为15.4%和20.9%，跟踪误差分别为6.7%和6.9%，2025YTD超额收益分别为4.9%和9.4%。
　　风险提示：（1）模型失效风险；（2）市场风格变化风险；（3）数据测算误差风险；（4）数据或资料更新不及时风险；（5）政策变化风险。