深度学习时序截面模型在指数增强策略中的应用

深度学习预测与组合优化框架

传统因子选股与指数增强方法通常遵循因子挖掘、因子打分及组合优化的逻辑，但在面临风格切换或因子交易拥挤时，静态因子易出现失效风险。为此，本报告构建了一种基于深度学习的指数增强新框架，将问题拆分为信号预测与组合优化两大核心环节。该框架不再单纯依赖挖掘量价或基本面因子来证明其与收益率的相关性，而是直接预测个股的收益风险特征，旨在更直观地捕捉Alpha并同步进行风险控制。

在信号预测层面，深度学习模型从K线序列中学习未来收益与风险的映射关系，并通过验证集RankIC门槛筛选可用模型，以确保信号质量。在组合优化层面，模型将预测结果输入优化算法，在传统均值-方差优化基础上，引入个股仓位、跟踪误差、集中度等硬约束，并在目标函数中加入风险中性惩罚项等软惩罚，从而将预测信号转化为动态权重，完成指数增强策略的回测与评价。

K线特征工程与差异化预处理

特征工程是本策略的基础，主要采用Wind数据库的量价数据，包括指数权重历史数据、指数K线及个股K线。鉴于K线数据时效性强、更新频率高且包含丰富的市场情绪与资金行为投影，报告构建了包含K线形态、动量趋势、相对基准强弱、风险波动和量价等多维特征体系。

具体而言，特征工程分为两步。第一步，从K线本身出发，按金融意义分组构建特征。例如，G1组包含K线形态分解、多尺度动量与趋势特征、均线偏离与技术状态、相对基准强弱等；G2组重点刻画风险与回撤表现，如滚动波动率、下行波动率、最大回撤及特质波动率；G3组则补充交易量信息，如换手放大、成交额抬升及资金流向等。第二步，在输入模型前针对不同分组采用差异化预处理。G1组特征保留原始尺度与方向，仅做缺失值与异常值处理，以维持其经济含义；G2与G3组特征则在每个滚动窗口内部进行Z-score标准化，以消除量纲差异，提高特征值的截面可比性。

时序截面三层深度学习模型架构

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：时序编码层、截面图网络层及多任务预测头。

第一层为时序编码层（TimeEncoder），主要基于Transformer模型。通过线性投影、位置编码及注意力池化，捕捉个股在时间序列上的长距离依赖关系。Transformer的自注意力机制能够并行处理整个时间窗口，识别短期波动与长期趋势，最终将时间维度压缩为单个向量表征。

第二层为截面图网络层（GraphSAGE），用于在股票截面维度上识别联动结构。该层通过市场统计驱动构建图网络，即基于滚动窗口内的收益率相关系数生成邻接矩阵，筛选出高相关性股票作为邻居节点。在聚合邻居信息时，报告选择了均值聚合函数，以平滑单个股票的异常波动，并结合门控机制与残差连接，动态决定模型对“自身特征”与“邻居平均信息”的信任程度，从而缓解过平滑问题。

第三层为多任务预测头（MLP），共同输入值分别经过三个独立的MLP头，输出超额收益、Sharpe比率和最大回撤的预测值。损失函数采用RankIC与MSE加权结合的方式，既优化横截面排序能力，又约束预测值尺度，并通过滚动训练、早停及梯度裁剪等机制规避过拟合。

指数增强策略回测表现

该深度学习预测加组合优化框架在沪深300及科创50指数成分股上进行了应用验证。在沪深300指数增强策略中，回测区间内策略实现了显著的年化超额收益，且最大回撤始终低于基准指数，表明模型在增强收益的同时有效控制了风险。在科创50指数增强策略中，尽管样本池集中度较高导致增强难度更大，策略依然获得了正向的年化超额收益，验证了模型在不同市场环境下的有效性。整体而言，最大回撤预测效果优于Sharpe比率，这主要因为风险指标具有较强的自相关性，而收益率预测本身难度更高。