深度學習模型在指數增強策略中的具體架構與訓練機制是什么？

報告提出的深度學習預測模型是一個多任務時序圖網絡，整體架構分為三層。第一層是時序編碼層（TimeEncoder），基于Transformer模型，通過自注意力機制捕捉個股在時間序列上的長距離依賴，利用注意力池化將時間維度壓縮為緊湊的時序表示。第二層是截面圖網絡層（GraphSAGE），用于識別股票間的聯動結構。該層基于市場統計驅動構建圖網絡，通過滾動窗口內的收益率相關系數篩選鄰居節點，并采用均值聚合函數結合門控機制與殘差連接，動態融合自身特征與鄰居信息，以平滑異常波動并緩解過平滑問題。第三層是多任務預測頭（MLP），通過三個獨立的MLP頭分別輸出超額收益、Sharpe比率和最大回撤的預測值。 在訓練機制方面，模型采用有監督學習，損失函數為橫截面Spearman相關性損失（RankIC）與MSE的加權組合，權重分別為0.85和0.15，旨在優先優化橫截面排序能力同時約束預測尺度。為防止過擬合，訓練過程設置了梯度裁剪上限、學習率調整器（基于驗證集損失停滯自動衰減）、早停機制（驗證集損失連續多步未改善則停止）以及滾動訓練窗口（每年重新訓練，使用最近三年數據）。此外，模型通過驗證集RankIC保存最優模型，確保預測信號的質量。