绝对收益视角下的技术形态专家模型：选股择时与多资产轮动的统一框架

摘要： 本研究构建了基于门控循环单元（GRU）神经网络的技术分析专家模型，旨在通过深度学习实现 K 线形态特征的自动化提取，构建一套兼具截面选股与时序择时能力的量化投资统一框架。

核心观点：

1. 能力统一与智能涌现：模型突破了传统量化方法中截面标准化导致的时间维度信息损失，通过保留原始收益率训练，实现了“识别强势股票”与“判断市场方向”能力的统一。
2. 强泛化性能：模型学习到的是普适性的价格演变规律，而非特定标的的统计套利，验证了在未见过的指数数据上进行零样本推理的可行性。
3. 多周期互补：采用独立 GRU 架构融合日 K 与周 K 信息，两者参数相关性接近零，有效捕捉短期波动与中期趋势的复合信号，增强了选股的 alpha 捕获能力。

论据支撑：

1. 实证表现：日 K 模型全样本截面 IC 均值 9.14%，多头组合年化超额收益 10.73%；中证全指直接推理择时策略年化超额最高达 19.92%。
2. 场景应用：在风格轮动（成长/价值、大小盘）、行业轮动（中信一级行业）及 ETF 轮动中均取得显著超额，其中 ETF 轮动策略年化超额最高达 16.56%，证明了模型在多元化资产配置中的适应性。
3. 稳健性检验：参数敏感性与标的敏感性测试显示，模型在不同回看窗口（30-80日）及不同宽基指数（沪深300、中证1000等）上均能产生稳定的正超额。

局限性/风险：

1. 模型失效风险：市场微观结构或投资者行为模式重大变化可能导致技术形态信号失效。
2. 极端行情风险：流动性危机或政策冲击等极端环境下，技术分析可能无法及时识别风险。
3. 实施成本：深度学习模型存在过拟合风险，且高频调仓对交易成本和流动性有较高要求。