机器学习系列十一_长短信号与市场状态结合下的深度学习模型改进_37页_2mb

文档总结：长短信号与市场状态融合的深度学习模型改进

核心内容

本文由兴证金工团队撰写，旨在探索深度学习模型在量化选股与指数增强中的应用，重点研究如何通过结合股票自身的长短信号与市场状态信息，提升模型的收益预测能力和风险调整表现。研究从基础的 GRU 模型出发，逐步引入多任务监督、路径监督、内生市场状态建模、外部市场信息融合以及内外部结合机制，构建出具有更高预测能力和风险控制能力的复合因子。

主要观点

• 长短信号结合增强：通过引入中期（10日）和短期（5日）收益目标，结合 PCGrad 算法缓解梯度冲突，再引入路径监督（3日收益率），使模型能捕捉收益在时间维度上的演化过程。模型在多个股票池中表现优于基准模型，其中沪深300年化超额收益率达 $11.71%$，中证1000年化超额收益率达 $13.98%$。

• 内生市场状态建模：模型从股票隐藏状态序列中识别潜在市场状态，通过横截面统计信息生成状态权重，并结合专家头进行预测。该模型在提升因子稳定性的同时，改善了组合的风险特征，尤其在沪深300中表现突出。

• 外部市场信息融合：引入市场数据作为外部条件信息，通过 FiLM 机制对股票隐藏状态进行逐特征调制，使模型能够适应不同市场环境。外部信息融合提升了模型的普适性，改善了各宽基指数的夏普比率和超额收益。

• 内外部结合模型：将内生状态残差化与外部市场调制统一到一个模型框架中，进一步增强模型的适应性和风险控制能力，提供更稳健的收益预测。

关键信息

模型演进路径

1. 基准模型：基于 GRU，结合高频特征与低频特征，预测未来 10 日收益率。
2. GRU_PCG：引入多任务监督，同时学习未来 10 日和 5 日收益率，缓解梯度冲突。
3. GRU_PCG_YSeq：引入路径监督，学习窗口内每一步的收益信号，提升模型对短周期路径变化的捕捉能力。
4. PCY_LatRegExpert：内生市场状态分支，通过残差化剥离共同市场成分，提升因子稳定性。
5. PCY_MktStockFiLM：外部市场信息分支，通过 FiLM 机制调制股票隐藏状态。
6. PCY_MktStockFiLM_LatRegExpert：内外部结合模型，融合内生状态剥离与外部市场调制，提升模型整体表现。

指数增强测试结果（年化超额收益）

回测表现指标

• 跟踪误差：5.63%（沪深300）
• 收益风险比（Sharpe Ratio）：2.36（沪深300）
• 最大回撤：3.67%（沪深300）
• 月胜率：75%（沪深300）
• 周胜率：62%（沪深300）

风险提示

• 模型基于历史数据进行训练，市场环境变化可能导致模型失效。
• 路径监督虽提升了收益识别能力，但也可能增加波动和回撤风险。

结构与方法

模型结构

• GRU：处理低频与高频特征，提取股票动态变化信息。
• PCGrad：缓解多任务训练中的梯度冲突。
• 路径监督（$y^{seq}$）：增强对收益演化过程的学习能力。
• 状态路由器与专家头：内生市场状态识别与预测。
• FiLM 机制：外部市场信息对股票表征的调制。
• 残差化剥离：去除股票表征中的共同市场成分。

模型训练与测试

• 训练集：2010-01-01 至 2017-12-31
• 验证集：2018-01-01 至 2019-12-31
• 测试集：2020-01-01 至 2026-04-30
• 调仓频率：周度调仓
• 约束条件：个股权重偏离、行业权重偏离、风格暴露偏离、成分股权重占比、换手率限制、交易成本设定

总结

本文系统性地研究了如何通过深度学习模型融合股票自身长短信号与市场状态信息，以提升指数增强策略的表现。模型逐步演进，从基础 GRU 到多任务监督、路径监督、内生市场状态建模、外部信息融合，最终构建出具有更强预测能力和风险控制能力的复合因子。在沪深300、中证500、中证1000 和上证50 的测试中，模型均表现出显著的超额收益，且在风险控制方面也有所提升。整体来看，本文为深度学习模型在量化投资中的应用提供了新的改进方向，特别是在市场状态融合方面具有较强的实践意义。