長短信號與市場狀態結合下的深度學習模型改進

引言：量化選股模型的演進方向

隨著量化投資對高維特征、非線性關系與動態市場狀態刻畫能力的要求不斷提升，機器學習與深度學習模型在股票收益預測中的應用價值持續提高。相比傳統線性模型，深度學習模型能夠在更復雜的特征空間中自動提取有效表征，尤其適合處理長短周期信號并存、噪聲較高、結構隨時間變化的A股市場數據。興證金工團隊圍繞“股票長短信號與市場狀態融合”展開研究，整體思路并非一次性構造復雜模型，而是從基礎GRU出發，通過兩條路徑：圍繞現有預測主干引入長短信號進行改造；以及引入市場狀態、橫截面關系或外部信息，以提升模型對不同市場環境的適應能力。

長短信號結合增強：多任務與路徑監督

在基礎雙輸入GRU模型之后，本文進一步沿著“長短信號結合”的方向對模型進行改造。該階段不引入外部市場信息，也不額外構造市場狀態變量，而是集中討論一個更基礎的問題：在相同輸入特征和相近網絡主干下，能否通過更有效的監督目標設計，使模型學習到更穩定、更具收益解釋力的時序表征。

具體而言，長短信號結合分為兩個連續階段。第一階段為GRU_PCG，其核心是從單任務預測擴展到雙任務監督，并通過PCGrad方法緩解多任務訓練中的梯度沖突。該模型保留原有低頻特征和高頻特征雙路GRU編碼結構，引入雙預測頭結構，同時學習未來10日收益率（主任務）和未來5日收益率（輔助任務）。PCGrad的核心思想是在檢測到梯度沖突時，對任務梯度進行修正，去除相互抵消的分量，只保留更兼容的更新方向，從而保留輔助任務帶來的增量信息，同時減少其對主任務的不利干擾。

第二階段為GRU_PCG_YSeq，其核心是將監督信號從窗口末端擴展到窗口內部路徑，使模型不只學習最終收益標簽，也學習收益信號在時間維度上的形成過程。該模型引入路徑監督，即為與輸入窗口內部時間步對齊的一組序列標簽，用于刻畫信號在窗口內逐步形成、增強、減弱或反轉的過程。這樣，模型同時擁有三類信號：未來10日收益率最終監督、未來5日收益率最終監督和路徑監督，最終形成一個同時結合中期目標、短期目標和窗口內部短周期路徑信息的長短信號結合模型。

內生市場狀態分支：潛在狀態識別與殘差化剝離

在長短信號結合模型的基礎上，本文進一步從隱藏狀態序列中識別潛在市場狀態并構建內生分支模型。該模型不額外輸入外部市場變量，也不依賴預先定義的市場狀態標簽，而是嘗試從股票自身的隱藏狀態序列中自動識別潛在市場狀態，并利用該狀態對個股表征進行風險剝離和狀態化預測。

該模型通過狀態路由器學習當日橫截面的隱含狀態權重，根據當日橫截面統計信息輸出狀態權重，并將狀態權重與專家頭進行綁定。隨后，模型將每只股票的表征分解為共同狀態成分和個股凈表征，使用一個可學習的殘差化系數控制剝離強度，并得到剝離共同狀態后的個股凈表征。這一殘差化步驟旨在降低預測分數中由市場共振、風格暴露或系統性波動帶來的噪聲，使最終預測更接近個股層面的有效信號。最后，模型使用多個潛在狀態專家頭對個股凈表征進行預測，并按照潛在狀態權重加權得到最終預測分數。

外部市場信息分支：FiLM機制與市場條件化

本文進一步引入市場數據作為外部條件信息，構建兩類模型。其中，PCY_MktStockFiLM是本分支的主模型，其核心思想是市場數據不應只在輸出端提供一個額外分數，而應該更早進入股票表征層，對股票隱藏狀態序列進行條件化調制。

該模型使用FiLM（Feature-wise Linear Modulation）機制，讓條件信息生成一組逐特征維度的縮放參數和偏移參數，從而對中間特征進行線性調制。模型將股票自身狀態與市場上下文共同作為條件輸入，形成股票條件化FiLM。這樣做的好處是，模型不僅能表達“不同市場環境下同一股票信號含義不同”，也能表達“同一市場環境對不同股票影響不同”。相比輸出側晚融合，這種方式更早、更細粒度地利用了市場數據，使模型能夠表達上述兩個關鍵關系。

內外部合并分支與增強測試

在前兩類增強機制基礎上，本文構建合并分支模型，將外部市場條件調制與內生潛在狀態殘差化統一到同一模型框架中。該模型同時使用三類數據：股票隱藏狀態序列、外部市場數據和未來10日收益率標簽。首先，模型使用PCY_MktStockFiLM作為外部市場信息底座，得到市場條件化后的基準預測分數。隨后，模型將股票表征和基準預測共同用于潛在市場狀態識別，生成潛在市場狀態權重和殘差化剝離強度，得到剝離共同狀態成分后的個股凈表征。最后，模型使用多個潛在狀態專家頭對個股凈表征進行預測，并按照潛在狀態權重加權得到最終分數。

實證結果顯示，長短信號結合模型相較基準模型在多個股票池中取得明顯提升，其中滬深300年化超額收益率達到11.71%，中證1000年化超額收益率達到13.98%。內生狀態分支對大盤增強更具優勢，能夠有效削弱組合對共同市場狀態的暴露，從而改善下行風險。外部市場信息分支具備普適性提升，模型在各個寬基增強上年化超額收益率均有提升，夏普比率也同步改善。內外部合并模型在多數股票池中繼續提供增量。整體來看，本文通過逐步改進的形式，實現了深度學習模型中“股票自身長短信號結合 + 市場狀態融合”，為后續指數增強策略提供了新的模型改進方向。