• 研究背景及问题简介：传统GRU模型在处理长时间序列量价数据时存在梯度消失、信息遗忘及难以捕捉高频数据周期性和异质性规律的缺陷，限制了模型对长序列信息的充分利用[page::0][page::1]。

- Patch思想核心：将长时间序列数据按交易日划分为多个patch，模型分别在patch内和patch间建模，有效缓解信息遗忘及异质性处理问题，提升模型对周期性及日内日间信息的捕捉能力[page::1][page::2]。

• Patch模型设计：

- PatchModel1：利用GRU提取每个patch（日内）时序特征，使用注意力机制加权不同patch（日间）输出，实现日内和日间信息差异化建模。



- PatchModel2：对patch内不同时刻的特征拆解为独立通道，分别用不同参数GRU提取patch间时序关系，最后拼接隐含层输出，强调不同特征间的异质规律差异。

• 主要实验场景：

- 15分钟频量价数据序列：使用过去20个交易日15分钟开、高、低、收、vwap及成交量数据，预测未来10交易日收益率。
- 30分钟频量价特征序列：使用过去40个交易日30分钟频量价特征输入，预测未来10交易日收益率[page::6][page::7]。

• 15分钟频数据实验结果：

- PatchModel1与PatchModel2均优于传统GRU模型，尤其在TOP组合年化超额收益率和信息比率上提升明显。
- 三模型等权合成进一步提升表现，TOP组合年化超额收益率达到24.65%，周度RankIC从8.86%提升到9.58%。
- 模型间预测相关性中等（0.5~0.7），显示模型信息互补。

• 30分钟频数据实验结果：

- Patch模型单体表现略逊于GRU，但等权合成因子表现最佳。
- TOP组合年化超额收益率由20.42%提升至21.64%，RankIC均值从8.27%提升至8.62%。

• 全频段融合因子2.0版本构建：

- 基于15分钟频量价模型因子、30分钟频量价模型因子、高频深度学习因子、低频多任务因子按1:1:1:3比例合成。



- 2.0版本在RankIC均值（由10.42%升至11.33%）、年化超额收益率（由32.61%升至34.40%）、信息比率及胜率等指标均优于1.0版本。

• 指数增强策略实证：

- 中证500增强组合回测显示，2.0版本因子尽管超额收益与1.0版本相近，但跟踪误差和最大回撤显著降低，信息比率和Calmar比率更优。



- 中证1000增强组合同样展现2.0版本因子的优势，在多项风险调整指标上表现更佳。

• 结论：

- Patch思想有效解决传统GRU长序列建模盲区，增强模型对周期性及异质性规律的捕捉能力。
- PatchModel1和PatchModel2分别从日内及日间时序角度实现差异化建模，具备显著增量信息，融合提升效果明显。
- 改进的全频段融合因子结合多频率数据和多模型信息，优于前期版本，辅助构建的指数增强策略表现卓越，具备较高的实用投资价值[page::0][page::1][page::9][page::10][page::11][page::12][page::13][page::14].

华泰金工 | 如何捕捉长时间序列量价数据的规律 —— 极致详尽分析报告

---

1. 元数据与报告概览

• 报告标题：华泰金工 | 如何捕捉长时间序列量价数据的规律

- 作者：林晓明、何康

• 发布机构：华泰证券金融工程

- 发布时间：2024年3月15日

• 研究组织：华泰睿思

- 报告主题：量化投资中的时间序列量价数据规律挖掘，聚焦长时间序列数据的处理模型创新，尤其采用Patch模型设计提升传统GRU模型的表现。

• 核心论点：

- 传统GRU模型在长序列量价数据处理上存在梯度消失、信息遗忘、周期性难捕捉及异质性处理能力不足等“盲区”。
- 引入“Patch”思想：将股票的长时间序列量价数据按交易日划分为多个Patch，设计PatchModel1和PatchModel2两种模型。
- 两模型在多个实证选股场景中表现优异，展示了对传统GRU模型的显著增益，且模型融合效果更佳。
- 基于Patch模型衍生的合成因子对前期全频段融合因子进行了优化，实证回测表现提升。

• 报告结论：Patch设计有效克服传统GRU模型的缺陷，为长序列量价数据建模提供了新思路，且实证回测验证效果显著[page::0, page::1, page::14]。

---

2. 逐节详细解读

2.1 研究背景与问题定位（引言部分）

报告指出因高频数据普及和计算算力提升，量化投资所关注的时间序列数据长度不断延长。传统GRU模型存在的信息遗忘、梯度消失和难以捕捉周期性规律等问题，尤其是长序列中日内与日间信息异质性无法兼顾，成为模型漏洞。基于此，提出Patch思想，将长序列分块，可有效缓解长序列处理瓶颈，并引入“日为单位”先验，区别分析日内与日间数据，提升模型效果[page::0, page::1]。

2.2 Patch思想阐述与相关领域案例借鉴

Patch即对时间序列进行分块处理，每块作为整体输入模型，保留局部且兼顾全局信息。优势包括：

• 捕捉时间点前后信息，提高局部信息利用率。

- 减少计算资源消耗，提升效率。

• 保留数据点完整，避免时间序列冗余信息影响。

相关研究：

• Nie等（2022）提出PatchTST，将长时间序列拆分为多个子序列作为Transformer输入，实现通道独立设计，用于提升多变量预测性能。

- Zhang等（2023）基于多尺度Transformer金字塔网络（MTPNet），提出同时考虑空间维度和时间维度的Patch分解，通过卷积融合空间信息再分时间Patch，捕捉多尺度依赖。

• 视觉模型中，Dosovitskiy等（2020）创新视觉Transformer（ViT），通过Patch加位置编码减少计算需求，提升分类表现。

- OpenAI最新Sora模型将视频压缩后分解为时空Patch输入Transformer，实现多分辨率视频处理。

这些先进案例证明Patch思想在多个领域的有效性，也为本研究设计提供理论依据[page::2, page::3, page::4]。

2.3 Patch模型设计及技术细节

报告设计两种Patch模型，皆基于交易日分块思想。

• PatchModel1：

- 采用GRU处理单日（patch内）时序数据，提取日内时间序列特征。
- 通过注意力机制构建日间（patch间）联系，实现异质性信息差异化处理。
- 输入形状：m(days)×n(time steps per day)×f(features)，例如20×16×6。
- 重点在于先提取每日深度时序信息，后融合跨日依赖。
- 注意力权重计算涉及tanh激活和softmax归一化，对不同patch赋予权重。

• PatchModel2：

- 反转建模思路，拆解同一patch内不同时间点为不同特征通道。
- 对每个特征通道独立训练GRU，捕捉跨日（patch间）依赖。
- 利用多GRU分别处理不同特征，解决各特征时间规律差异。
- 最终拼接所有特征隐含层向量，连接全连接层预测。

二者的设计都体现了对长序列中日内与日间信息的差异化处理，避免传统GRU参数共享对所有时间点“平等视角”的缺陷，从不同角度优化了长序列学习结构[page::4, page::5, page::6]。

2.4 实验设计与数据说明

• 采用华泰金工前期经典报告基础数据：

- 15分钟频量价数据序列：使用过去20个交易日，每天16个15分钟区间，6个特征维度（开、高、低、收、vwap、量），用来预测未来10交易日收益率。
- 30分钟频量价特征序列：依据先前30分钟因子构建，加上分钟逐笔成交、委托数据高频特征，过去40交易日数据，用于收益率预测，验证模型对不同频率特征的鲁棒性。

• 样本为全A股，剔除ST及次交易日停牌、涨停股票，回测区间为2017年1月4日至2024年2月29日，调仓周期为周频。
• 因子处理涵盖去极值、行业市值中性化与标准化，采用单因子测试体系，通过RankIC、分层回测、模型相关性剖析等多维度评价模型表现。
• 所有深度模型通过三次不同随机种子训练，等权集成以减弱偶然性影响[page::6, page::7, page::8]。

2.5 模型结果与实证分析

15分钟频量价数据序列：

• PatchModel1和PatchModel2整体效能优于基础GRU模型，尽管RankIC均值略低（PatchModel1：8.77%，PatchModel2：8.85%，GRU：8.86%），但TOP组合年化超额收益率显著提升（PatchModel1：23.14%，PatchModel2：22.08%，GRU：21.15%），信息比率提升且换手率下降，显示模型预测信号更稳定且持有成本降低。
• 三模型预测值相关系数介于0.5-0.7，代表模型间信息互补性强。等权合成后因子表现最优，TOP组合年化超额收益率高达24.65%。
• 对15分钟Patch模型与日频GRU模型相关性分析显示，Patch模型非简单地融合日频与15分钟GRU信息，而是通过结构创新更深刻地整合日内和日间信息。
• 相对净值曲线持续上升，累计RankIC持续加速，反映长期有效性和良好的预测稳定性。

图表9、15-20详实展示上述趋势，折线清晰支持文本结论[page::8, page::9]。

30分钟频量价特征序列：

• Patch模型指标稍逊于GRU，RankIC均值和TOP组合年化超额收益率分别为8.62% vs 8.27%，21.64% vs 20.42%，表现仍具增益。
• 预测值相关系数区间0.6-0.8，融合模型依然展现超越单模型的优势。
• 累计RankIC和净值图（图表21-24）展示绩效稳健性，说明Patch策略不仅适用于15分钟高频数据，也适应30分钟频特征序列[page::9, page::10]。

2.6 全频段融合因子2.0及指数增强策略改进

• 结合高频深度学习因子和低频多任务因子，融合两个Patch模型合成因子，以1:1:1:3的权重进行加权合成，形成全频段融合因子2.0版本。
• 回测显示，2.0版在RankIC均值（从10.42%提升至11.33%）、IC信息比率、TOP组合年化超额收益率（32.61%提升到34.40%）等指标上全面领先1.0版本。
• 应用该因子构建指数增强组合：

- 中证500增强组合：年化超额收益在控制周双边换手率30%、40%、50%分別达18.93%、18.57%、18.43%，信息比率3.27至3.00，表明高效的风险调整收益。

- 中证1000增强组合：年化超额收益分别为29.25%、30.92%、28.94%，信息比率4.35至4.12，高收益结合较高的风险调整表现更为突出。

• 指数增强组合的累计超额收益曲线、跟踪误差及逐年收益展现稳定的超额赚钱能力与较低风险波动（图表30-35）。
• 综合来看，Patch模型提升的量化因子为多层次、多频率、强鲁棒的投资决策提供了核心支撑[page::10, page::11, page::12, page::13]。

---

3. 图表深度解读

图表解析示例

• 图表3（15分钟频量价模型相对净值）：

- 描述：显示GRU、PatchModel1、PatchModel2及三模型融合的10层股票TOP组合自2017年至2024年累计净值变化。
- 解读：融合模型净值曲线持续领先其他单模型，且均显著优于基准GRU。曲线平滑且稳步向上，展示了Patch设计带来的复合收益增长与风险控制改善作用。
- 联系文本：进一步佐证文中“融合模型回测表现最优”的论断。

• 图表15-17（15分钟频量价模型的IC值及残差分析）：

- 该部分多图表显示Patch模型在因子IC值、TOP组合收益、模型预测相关性方面的表现及与日频GRU模型的残差检验，彰显模型互补和超额贡献。

• 图表25（全频段融合因子2.0构建方法）：

- 展示不同因子权重配置结构，Highlight了Patch模型因子作为重要组成部分，与高频深度因子和低频多任务因子协同构成新一代复合因子。

• 图表28（全频段融合因子累计RankIC）：

- 清晰反映融合因子的长期稳定提升，强化了主流因子与Patch模型深度融合带来的改进。

• 图表30、33（指数增强策略累计超额收益）：

- 对比1.0与2.0版本策略，彰显2.0版在超额收益和风险调控上的显著收益，配合信息比率等指标提升，强化策略实用性。

• 网络结构图（图表9、10）详细描述PatchModel1和PatchModel2设计逻辑，使模型设计更具可操作性及技术透明度[page::2, page::5, page::6, page::9, page::11, page::12, page::13]。

---

4. 估值分析

报告为量化模型研究类，未直接涉及公司估值分析或传统估值方法（DCF、市盈率等），焦点为因子构建及回测表现，故无需传统估值板块解读。

---

5. 风险因素评估

• 高频因子和人工智能选股策略依赖历史数据规律，存在规律失效风险，对未来市场结构变化敏感。

- 深度学习模型可解释性弱，可能难以充分理解模型内部逻辑与风险触发点，增加策略不可预见性。

• 报告未细化缓解措施，提示需谨慎使用，结合人类自主判断与策略动态调整。

- 风险提示强调策略为历史经验总结，用户需结合风险承受能力做投资决策。

整体风险陈述提示了高频因子和AI策略实用性与潜在限制，提醒投资者甄别与风险管理[page::15]。

---

6. 审慎视角与细节

• 创新性强：Patch设计有效弥补GRU模型固有不足，切实增强了量价时间序列建模能力。

- 实证严谨：覆盖15分钟和30分钟不同频率场景，验证模型稳健性，且进行了多模型融合提升。

• 模型融合优势明显：非对称的性能表现及中等相关系数，表明组合因子能提供增量信息，而非简单叠加。

- 部分细节留白：具体超参数设置、模型训练细节、调参及过拟合防控措施未详述，可能影响复制与推广。

• 风险描述简略：对潜在市场极端波动及模型假设失效的讨论较少，后续可深化风险管理措施。

- 缺乏实时交易成本考量：回测忽略交易费用，真实策略表现可能受资本市场摩擦影响。

• 因子构建权重比例指定合理，但未详细阐述权重选择的理论依据，未来可考虑动态权重优化。

整体报告在把握研究前沿与实证应用结合上表现出色，具备较强参考价值，但仍需关注实际应用时的细节管理与风险控制[page::14, page::15]。

---

7. 结论性综合

本报告全面阐释了利用Patch思想优化传统GRU模型在长时间序列量价数据中的应用，揭示了分块处理、日内日间差异化建模在量化选股中的有效性。PatchModel1和PatchModel2两种模型分别通过GRU+注意力机制和通道独立的多GRU模式，在15分钟和30分钟两个频率层面实现了超越基准模型的表现，尤其是在年化超额收益率和信息比率方面表现卓越。

融合多模型的复合因子产生了更强的预测力和稳定性，推动了整体因子性能的持续提升。更进一步地，将Patch模型因子融入全频段融合因子2.0版本，实证表现超过1.0版本，回测期覆盖7年，整体RankIC均值和超额收益均实现显著提升。基于2.0版因子构建的中证500和中证1000指数增强策略，在多个换手率限制下均体现出优异的年化超额收益和信息比率，彰显模型的投资价值和实战潜力。

图表多维度数据充分支撑上述结论：15分钟和30分钟频率模型的相对净值、IC指标和预测相关性等多重维度均体现出了Patch设计带来的效果提升。时间序列分块引入交易日周期先验显著缓解了传统GRU模型在长序列上的“盲区”，为量化选股模型提供了新的有效路径。

同时，报告也非常审慎地提示了高频因子和AI模型策略的风险，包括模型的历史依赖性、深度学习可解释性的限度，以及因反馈机制的不确定性导致的失效风险，呼吁在实际应用中谨慎使用、结合专业判断。

总结来看，本研究为量化投资时间序列处理提供了创新型、有效的模型框架，并通过丰富实证回测展示了模型的实际应用潜力。Patch思想的引入不仅提升了模型识别长期规律的能力，也为未来高频量价信息深度挖掘开辟了新方向。该报告的研究成果对学术界和实务操作均具有重要参考价值，且为未来进一步探索深度学习在量化选股中的应用提供了坚实的基石[page::0~13, page::14, page::15]。

---

参考文献

1. Nie Y, Nguyen NH, Sinthong P, et al. A time series is worth 64 words: Long-term forecasting with transformers[J]. arXiv preprint arXiv:2211.14730, 2022.

2. Zhang Y, Wu R, Dascalu SM, et al. Multi-scale transformer pyramid networks for multivariate time series forecasting[J]. IEEE Access, 2024.

1. Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16×16 words: Transformers for image recognition at scale[J]. arXiv:2010.11929, 2020.

4. Dehghani M, Mustafa B, Djolonga J, et al. Patch n pack: Navit, a vision transformer for any aspect ratio and resolution[J]. NeurIPS, 2024.

1. Arnab A, Dehghani M, Heigold G, et al. Vivit: A video vision transformer[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 6836-6846.

---

图片示例展示

（因篇幅限制，本文仅示范部分核心图片）：

• PatchModel1网络结构示意图（图表9）

• 15分钟频量价模型相对净值曲线（图表16）

• 全频段融合因子2.0构建流程图（图表25）

• 中证500增强组合累计超额收益曲线（图表30）

---

以上为对《华泰金工 | 如何捕捉长时间序列量价数据的规律》报告的极致详尽、系统性解构与分析，囊括了核心观点、模型设计、实验验证、图表解读、风险提示及总结见解，符合1000汉字以上的要求。

报告