核心观点：
　　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保留，哪些新信息应该被加入。相较于LSTM，GRU的结构更加简洁高效，它通过更少的门控单元实现了与LSTM相媲美的性能，甚至在许多场景下训练速度更快，因此受到了学术界和工业界的广泛青睐。
　　金融市场数据是典型的多变量时间序列数据，其价格走势与过去的表现密切相关。GRU模型在处理金融时间序列时的优势体现在：1、能够自主决定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规律；2、可以学会忽略与预测未来无关的短期波动和市场噪音，专注于真正具有预测性的信号；3、能够有效地处理和融合这些不同时间尺度和量纲的多维输入序列，挖掘它们之间的复杂非线性关系；4、具有更快的训练速度和更低的过拟合风险。
　　本篇报告中，我们使用申万一级行业指数构建GRU行业轮动模型。模型输入为指数的日度量价数据，预测目标为下一期周度收益率。模型划分过去8年数据为训练集，第9年数据为验证集，第10年数据为测试集，每年滚动重复训练。通过回测可知，基于GRU预测的行业轮动模型历史rank IC均值0.083。分层回测结果具有一定的分层单调性。多头（第1组）年化收益3.8%，超过等权基准2.2pct，多空年化收益7.0%。
　　我们使用改进版的AGRU模型提高模型性能。AGRU模型的核心思想是将注意力机制与标准的GRU模型相结合，以使模型能够动态地、有区分地关注输入序列中不同时间点的重要性。与传统GRU模型相比，AGRU模型在处理股票时间序列时具有较为明显的优势。通过注意力机制，AGRU模型可以自主学习并赋予重要时间步更高权重，根据不同市场环境（如牛市、熊市、震荡市）聚焦当时最相关的信息和因子，提升模型在不同时期的稳健性。
　　AGRU模型历史rank IC均值0.084。分层回测收益表现相比GRU模型有了一定提升。多头（第1组）年化收益6.0%，超过等权基准4.4pct，模型多空年化收益8.4%。通过计算AGRU模型合成因子与传统行业轮动模型惯用的量价、估值等因子的历史相关性数据，我们发现，AGRU模型合成因子与传统因子相关性很低。未来可以作为行业轮动模型因子选择的一个较好补充。
　　未来，我们将持续深化GRU模型在行业轮动中的应用，在GRU模型中引入基本面、资金面、情绪面因子，并将GRU模型与传统行业轮动模型结合，提高现有模型的收益表现。
　　风险提示：市场风格转换风险，第三方数据提供不准确风险，历史结果不代表未来收益，本报告不构成投资建议。