全频段量价特征选股模型实现以及优化

本实验基于华泰证券的公开研究，研究研报收录在了github上：

https://github.com/qolaris-tech/qreport/blob/main/research/基于全频段量价特征的选股模型.pdf

本实现基于微软Qlib

实现要点：实现多任务GRU模型

原文核心要点如下：

研究报告清晰给出了loss计算和训练数据以及超参数，本实现首先实现多任务GRU模型：

模型源码地址：

https://github.com/qolaris-tech/qlib/blob/main/qlib/contrib/model/pytorch_gru_m.py

模型效果

低频多任务模型效果如下：

使用掘金客户端  回测时间：2021.01.01-2024-07.05

模型年化收益15个点左右，夏普0.4，波动比较大，低频融合模型实际表现中规中矩。

继续读原研究报告：

原研究使用了单独的高频训练模型和低频多任务融合模型

本研究选取低频多任务模型权重0.7，高频模型权重0.3，在原研究之外，本实验在订单决策时只有标的score排名同时在2个模型前40位才买入，下面看全频段融合模型实验结果：

可以看到年化收益以及夏普比例大幅增加。

比较2次实验区别，主要在于第二次实验回撤大幅减少，进而提高了各项指标，进一步分析仓位图：

第二次实验仓位会动态变化，而且变化方向和沪深300指数涨跌具备一定相关性。而第一次实验基本全部满仓。究其原因，在于当下跌时高频模型和低频融合模型的预测分歧会变大。

本实验除了提供多任务gru模型外，并无其他具体实现细节，因原研报说明比较详细，如有兴趣可以认真阅读原研报。