深度學(xué)習(xí)模型中長(zhǎng)短信號(hào)結(jié)合與市場(chǎng)狀態(tài)融合的具體機(jī)制是什么？

本文圍繞GRU時(shí)序模型，逐步完成了從股票自身長(zhǎng)短信號(hào)結(jié)合到市場(chǎng)狀態(tài)融合增強(qiáng)的模型演進(jìn)。首先，在長(zhǎng)短信號(hào)結(jié)合方面，通過(guò)引入多任務(wù)監(jiān)督和路徑監(jiān)督，使模型不僅學(xué)習(xí)窗口末端收益，也學(xué)習(xí)窗口內(nèi)部的動(dòng)態(tài)演化信息。具體而言，GRU_PCG模型引入雙預(yù)測(cè)頭結(jié)構(gòu)，同時(shí)學(xué)習(xí)未來(lái)10日收益率和未來(lái)5日收益率，并通過(guò)PCGrad方法緩解多任務(wù)訓(xùn)練中的梯度沖突。GRU_PCG_YSeq模型進(jìn)一步引入路徑監(jiān)督，將監(jiān)督信號(hào)從窗口末端擴(kuò)展到窗口內(nèi)部，使模型能夠?qū)W習(xí)收益信號(hào)在時(shí)間維度上的形成過(guò)程。 其次，在內(nèi)生市場(chǎng)狀態(tài)分支方面，模型從股票隱藏狀態(tài)序列的橫截面結(jié)構(gòu)中自行識(shí)別潛在市場(chǎng)狀態(tài)，并通過(guò)狀態(tài)路由器生成潛在市場(chǎng)狀態(tài)權(quán)重。模型將每只股票的表征分解為共同狀態(tài)成分和個(gè)股凈表征，使用可學(xué)習(xí)的殘差化系數(shù)控制剝離強(qiáng)度，從而降低預(yù)測(cè)分?jǐn)?shù)中由市場(chǎng)共振、風(fēng)格暴露或系統(tǒng)性波動(dòng)帶來(lái)的噪聲。最后，通過(guò)狀態(tài)專家結(jié)構(gòu)對(duì)不同潛在市場(chǎng)狀態(tài)下的個(gè)股凈表征進(jìn)行預(yù)測(cè)，并按狀態(tài)權(quán)重加權(quán)得到最終預(yù)測(cè)分?jǐn)?shù)。 再次，在外部市場(chǎng)信息分支方面，模型顯式引入市場(chǎng)數(shù)據(jù)，通過(guò)FiLM機(jī)制對(duì)股票隱藏狀態(tài)進(jìn)行逐特征維度調(diào)制，使模型能夠刻畫不同市場(chǎng)環(huán)境下股票信號(hào)含義的變化。該機(jī)制不僅考慮不同市場(chǎng)環(huán)境下同一股票信號(hào)含義不同，還考慮同一市場(chǎng)環(huán)境對(duì)不同股票影響不同，從而更早、更細(xì)粒度地利用市場(chǎng)數(shù)據(jù)。 最后，在內(nèi)外部合并分支方面，模型將外部市場(chǎng)條件調(diào)制與內(nèi)生潛在狀態(tài)殘差化統(tǒng)一到同一模型框架中。首先，模型使用PCY_MktStockFiLM作為外部市場(chǎng)信息底座，得到市場(chǎng)條件化后的基準(zhǔn)預(yù)測(cè)分?jǐn)?shù)。隨后，模型將股票表征和基準(zhǔn)預(yù)測(cè)共同用于潛在市場(chǎng)狀態(tài)識(shí)別，生成潛在市場(chǎng)狀態(tài)權(quán)重和殘差化剝離強(qiáng)度，得到剝離共同狀態(tài)成分后的個(gè)股凈表征。最后，模型使用多個(gè)潛在狀態(tài)專家頭對(duì)個(gè)股凈表征進(jìn)行預(yù)測(cè)，并按狀態(tài)權(quán)重加權(quán)得到最終分?jǐn)?shù)。整體來(lái)看，這種逐步改進(jìn)的形式實(shí)現(xiàn)了深度學(xué)習(xí)模型中“股票自身長(zhǎng)短信號(hào)結(jié)合 + 市場(chǎng)狀態(tài)融合”，為后續(xù)指數(shù)增強(qiáng)策略提供了新的模型改進(jìn)方向。