深度学习模型中长短信号结合与市场状态融合的具体机制是什么？

本文围绕GRU时序模型，逐步完成了从股票自身长短信号结合到市场状态融合增强的模型演进。首先，在长短信号结合方面，通过引入多任务监督和路径监督，使模型不仅学习窗口末端收益，也学习窗口内部的动态演化信息。具体而言，GRU_PCG模型引入双预测头结构，同时学习未来10日收益率和未来5日收益率，并通过PCGrad方法缓解多任务训练中的梯度冲突。GRU_PCG_YSeq模型进一步引入路径监督，将监督信号从窗口末端扩展到窗口内部，使模型能够学习收益信号在时间维度上的形成过程。 其次，在内生市场状态分支方面，模型从股票隐藏状态序列的横截面结构中自行识别潜在市场状态，并通过状态路由器生成潜在市场状态权重。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，使用可学习的残差化系数控制剥离强度，从而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。最后，通过状态专家结构对不同潜在市场状态下的个股净表征进行预测，并按状态权重加权得到最终预测分数。 再次，在外部市场信息分支方面，模型显式引入市场数据，通过FiLM机制对股票隐藏状态进行逐特征维度调制，使模型能够刻画不同市场环境下股票信号含义的变化。该机制不仅考虑不同市场环境下同一股票信号含义不同，还考虑同一市场环境对不同股票影响不同，从而更早、更细粒度地利用市场数据。 最后，在内外部合并分支方面，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。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，并按状态权重加权得到最终分数。整体来看，这种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。