长短信号与市场状态结合下的深度学习模型改进

引言：量化选股模型的演进方向

随着量化投资对高维特征、非线性关系与动态市场状态刻画能力的要求不断提升，机器学习与深度学习模型在股票收益预测中的应用价值持续提高。相比传统线性模型，深度学习模型能够在更复杂的特征空间中自动提取有效表征，尤其适合处理长短周期信号并存、噪声较高、结构随时间变化的A股市场数据。兴证金工团队围绕“股票长短信号与市场状态融合”展开研究，整体思路并非一次性构造复杂模型，而是从基础GRU出发，通过两条路径：围绕现有预测主干引入长短信号进行改造；以及引入市场状态、横截面关系或外部信息，以提升模型对不同市场环境的适应能力。

长短信号结合增强：多任务与路径监督

在基础双输入GRU模型之后，本文进一步沿着“长短信号结合”的方向对模型进行改造。该阶段不引入外部市场信息，也不额外构造市场状态变量，而是集中讨论一个更基础的问题：在相同输入特征和相近网络主干下，能否通过更有效的监督目标设计，使模型学习到更稳定、更具收益解释力的时序表征。

具体而言，长短信号结合分为两个连续阶段。第一阶段为GRU_PCG，其核心是从单任务预测扩展到双任务监督，并通过PCGrad方法缓解多任务训练中的梯度冲突。该模型保留原有低频特征和高频特征双路GRU编码结构，引入双预测头结构，同时学习未来10日收益率（主任务）和未来5日收益率（辅助任务）。PCGrad的核心思想是在检测到梯度冲突时，对任务梯度进行修正，去除相互抵消的分量，只保留更兼容的更新方向，从而保留辅助任务带来的增量信息，同时减少其对主任务的不利干扰。

第二阶段为GRU_PCG_YSeq，其核心是将监督信号从窗口末端扩展到窗口内部路径，使模型不只学习最终收益标签，也学习收益信号在时间维度上的形成过程。该模型引入路径监督，即为与输入窗口内部时间步对齐的一组序列标签，用于刻画信号在窗口内逐步形成、增强、减弱或反转的过程。这样，模型同时拥有三类信号：未来10日收益率最终监督、未来5日收益率最终监督和路径监督，最终形成一个同时结合中期目标、短期目标和窗口内部短周期路径信息的长短信号结合模型。

内生市场状态分支：潜在状态识别与残差化剥离

在长短信号结合模型的基础上，本文进一步从隐藏状态序列中识别潜在市场状态并构建内生分支模型。该模型不额外输入外部市场变量，也不依赖预先定义的市场状态标签，而是尝试从股票自身的隐藏状态序列中自动识别潜在市场状态，并利用该状态对个股表征进行风险剥离和状态化预测。

该模型通过状态路由器学习当日横截面的隐含状态权重，根据当日横截面统计信息输出状态权重，并将状态权重与专家头进行绑定。随后，模型将每只股票的表征分解为共同状态成分和个股净表征，使用一个可学习的残差化系数控制剥离强度，并得到剥离共同状态后的个股净表征。这一残差化步骤旨在降低预测分数中由市场共振、风格暴露或系统性波动带来的噪声，使最终预测更接近个股层面的有效信号。最后，模型使用多个潜在状态专家头对个股净表征进行预测，并按照潜在状态权重加权得到最终预测分数。

外部市场信息分支：FiLM机制与市场条件化

本文进一步引入市场数据作为外部条件信息，构建两类模型。其中，PCY_MktStockFiLM是本分支的主模型，其核心思想是市场数据不应只在输出端提供一个额外分数，而应该更早进入股票表征层，对股票隐藏状态序列进行条件化调制。

该模型使用FiLM（Feature-wise Linear Modulation）机制，让条件信息生成一组逐特征维度的缩放参数和偏移参数，从而对中间特征进行线性调制。模型将股票自身状态与市场上下文共同作为条件输入，形成股票条件化FiLM。这样做的好处是，模型不仅能表达“不同市场环境下同一股票信号含义不同”，也能表达“同一市场环境对不同股票影响不同”。相比输出侧晚融合，这种方式更早、更细粒度地利用了市场数据，使模型能够表达上述两个关键关系。

内外部合并分支与增强测试

在前两类增强机制基础上，本文构建合并分支模型，将外部市场条件调制与内生潜在状态残差化统一到同一模型框架中。该模型同时使用三类数据：股票隐藏状态序列、外部市场数据和未来10日收益率标签。首先，模型使用PCY_MktStockFiLM作为外部市场信息底座，得到市场条件化后的基准预测分数。随后，模型将股票表征和基准预测共同用于潜在市场状态识别，生成潜在市场状态权重和残差化剥离强度，得到剥离共同状态成分后的个股净表征。最后，模型使用多个潜在状态专家头对个股净表征进行预测，并按照潜在状态权重加权得到最终分数。

实证结果显示，长短信号结合模型相较基准模型在多个股票池中取得明显提升，其中沪深300年化超额收益率达到11.71%，中证1000年化超额收益率达到13.98%。内生状态分支对大盘增强更具优势，能够有效削弱组合对共同市场状态的暴露，从而改善下行风险。外部市场信息分支具备普适性提升，模型在各个宽基增强上年化超额收益率均有提升，夏普比率也同步改善。内外部合并模型在多数股票池中继续提供增量。整体来看，本文通过逐步改进的形式，实现了深度学习模型中“股票自身长短信号结合 + 市场状态融合”，为后续指数增强策略提供了新的模型改进方向。