深度学习模型在指数增强策略中的具体架构与训练机制是什么？

报告提出的深度学习预测模型是一个多任务时序图网络，整体架构分为三层。第一层是时序编码层（TimeEncoder），基于Transformer模型，通过自注意力机制捕捉个股在时间序列上的长距离依赖，利用注意力池化将时间维度压缩为紧凑的时序表示。第二层是截面图网络层（GraphSAGE），用于识别股票间的联动结构。该层基于市场统计驱动构建图网络，通过滚动窗口内的收益率相关系数筛选邻居节点，并采用均值聚合函数结合门控机制与残差连接，动态融合自身特征与邻居信息，以平滑异常波动并缓解过平滑问题。第三层是多任务预测头（MLP），通过三个独立的MLP头分别输出超额收益、Sharpe比率和最大回撤的预测值。 在训练机制方面，模型采用有监督学习，损失函数为横截面Spearman相关性损失（RankIC）与MSE的加权组合，权重分别为0.85和0.15，旨在优先优化横截面排序能力同时约束预测尺度。为防止过拟合，训练过程设置了梯度裁剪上限、学习率调整器（基于验证集损失停滞自动衰减）、早停机制（验证集损失连续多步未改善则停止）以及滚动训练窗口（每年重新训练，使用最近三年数据）。此外，模型通过验证集RankIC保存最优模型，确保预测信号的质量。