深度學習模型中長短信號結合與市場狀態融合的具體機制是什么？

本文圍繞GRU時序模型，逐步完成了從股票自身長短信號結合到市場狀態融合增強的模型演進。首先，在長短信號結合方面，通過引入多任務監督和路徑監督，使模型不僅學習窗口末端收益，也學習窗口內部的動態演化信息。具體而言，GRU_PCG模型引入雙預測頭結構，同時學習未來10日收益率和未來5日收益率，并通過PCGrad方法緩解多任務訓練中的梯度沖突。GRU_PCG_YSeq模型進一步引入路徑監督，將監督信號從窗口末端擴展到窗口內部，使模型能夠學習收益信號在時間維度上的形成過程。 其次，在內生市場狀態分支方面，模型從股票隱藏狀態序列的橫截面結構中自行識別潛在市場狀態，并通過狀態路由器生成潛在市場狀態權重。模型將每只股票的表征分解為共同狀態成分和個股凈表征，使用可學習的殘差化系數控制剝離強度，從而降低預測分數中由市場共振、風格暴露或系統性波動帶來的噪聲。最后，通過狀態專家結構對不同潛在市場狀態下的個股凈表征進行預測，并按狀態權重加權得到最終預測分數。 再次，在外部市場信息分支方面，模型顯式引入市場數據，通過FiLM機制對股票隱藏狀態進行逐特征維度調制，使模型能夠刻畫不同市場環境下股票信號含義的變化。該機制不僅考慮不同市場環境下同一股票信號含義不同，還考慮同一市場環境對不同股票影響不同，從而更早、更細粒度地利用市場數據。 最后，在內外部合并分支方面，模型將外部市場條件調制與內生潛在狀態殘差化統一到同一模型框架中。首先，模型使用PCY_MktStockFiLM作為外部市場信息底座，得到市場條件化后的基準預測分數。隨后，模型將股票表征和基準預測共同用于潛在市場狀態識別，生成潛在市場狀態權重和殘差化剝離強度，得到剝離共同狀態成分后的個股凈表征。最后，模型使用多個潛在狀態專家頭對個股凈表征進行預測，并按狀態權重加權得到最終分數。整體來看，這種逐步改進的形式實現了深度學習模型中“股票自身長短信號結合 + 市場狀態融合”，為后續指數增強策略提供了新的模型改進方向。