深度學習時序截面模型在指數增強策略中的應用

深度學習預測與組合優化框架

傳統因子選股與指數增強方法通常遵循因子挖掘、因子打分及組合優化的邏輯，但在面臨風格切換或因子交易擁擠時，靜態因子易出現失效風險。為此，本報告構建了一種基于深度學習的指數增強新框架，將問題拆分為信號預測與組合優化兩大核心環節。該框架不再單純依賴挖掘量價或基本面因子來證明其與收益率的相關性，而是直接預測個股的收益風險特征，旨在更直觀地捕捉Alpha并同步進行風險控制。

在信號預測層面，深度學習模型從K線序列中學習未來收益與風險的映射關系，并通過驗證集RankIC門檻篩選可用模型，以確保信號質量。在組合優化層面，模型將預測結果輸入優化算法，在傳統均值-方差優化基礎上，引入個股倉位、跟蹤誤差、集中度等硬約束，并在目標函數中加入風險中性懲罰項等軟懲罰，從而將預測信號轉化為動態權重，完成指數增強策略的回測與評價。

K線特征工程與差異化預處理

特征工程是本策略的基礎，主要采用Wind數據庫的量價數據，包括指數權重歷史數據、指數K線及個股K線。鑒于K線數據時效性強、更新頻率高且包含豐富的市場情緒與資金行為投影，報告構建了包含K線形態、動量趨勢、相對基準強弱、風險波動和量價等多維特征體系。

具體而言，特征工程分為兩步。第一步，從K線本身出發，按金融意義分組構建特征。例如，G1組包含K線形態分解、多尺度動量與趨勢特征、均線偏離與技術狀態、相對基準強弱等；G2組重點刻畫風險與回撤表現，如滾動波動率、下行波動率、最大回撤及特質波動率；G3組則補充交易量信息，如換手放大、成交額抬升及資金流向等。第二步，在輸入模型前針對不同分組采用差異化預處理。G1組特征保留原始尺度與方向，僅做缺失值與異常值處理，以維持其經濟含義；G2與G3組特征則在每個滾動窗口內部進行Z-score標準化，以消除量綱差異，提高特征值的截面可比性。

時序截面三層深度學習模型架構

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：時序編碼層、截面圖網絡層及多任務預測頭。

第一層為時序編碼層（TimeEncoder），主要基于Transformer模型。通過線性投影、位置編碼及注意力池化，捕捉個股在時間序列上的長距離依賴關系。Transformer的自注意力機制能夠并行處理整個時間窗口，識別短期波動與長期趨勢，最終將時間維度壓縮為單個向量表征。

第二層為截面圖網絡層（GraphSAGE），用于在股票截面維度上識別聯動結構。該層通過市場統計驅動構建圖網絡，即基于滾動窗口內的收益率相關系數生成鄰接矩陣，篩選出高相關性股票作為鄰居節點。在聚合鄰居信息時，報告選擇了均值聚合函數，以平滑單個股票的異常波動，并結合門控機制與殘差連接，動態決定模型對“自身特征”與“鄰居平均信息”的信任程度，從而緩解過平滑問題。

第三層為多任務預測頭（MLP），共同輸入值分別經過三個獨立的MLP頭，輸出超額收益、Sharpe比率和最大回撤的預測值。損失函數采用RankIC與MSE加權結合的方式，既優化橫截面排序能力，又約束預測值尺度，并通過滾動訓練、早停及梯度裁剪等機制規避過擬合。

指數增強策略回測表現

該深度學習預測加組合優化框架在滬深300及科創50指數成分股上進行了應用驗證。在滬深300指數增強策略中，回測區間內策略實現了顯著的年化超額收益，且最大回撤始終低于基準指數，表明模型在增強收益的同時有效控制了風險。在科創50指數增強策略中，盡管樣本池集中度較高導致增強難度更大，策略依然獲得了正向的年化超額收益，驗證了模型在不同市場環境下的有效性。整體而言，最大回撤預測效果優于Sharpe比率，這主要因為風險指標具有較強的自相關性，而收益率預測本身難度更高。