时序截面三层深度学习模型预测收益风险信号——银河金工组合优化系列报告

摘要： 本报告提出了一种基于深度学习的指数增强策略框架，通过构建 TimeEncoder-GraphSAGE-MLP 三层模型直接预测个股的超额收益、Sharpe 比率和最大回撤信号，并结合凸优化算法实现组合权重的动态更新。

核心观点：

1. 模型架构创新：构建了多任务时序图网络，利用 TimeEncoder 捕捉个股时序长距离依赖，通过 GraphSAGE 在截面维度识别股票联动结构，最后由 MLP 输出预测值，有效提升了信号预测质量。
2. 特征工程精细化：构建了价格形态、动量趋势、相对强弱、风险波动及量价资金三大类特征，并针对不同分组采用差异化预处理（如 Z-score 标准化），在保持信息密度的同时确保截面可比性。
3. 实证效果显著：策略在沪深 300 和科创 50 指数增强回测中均表现优异，在获得年化超额收益（分别约为 5.92% 和 5.24%）的同时，有效降低了组合的最大回撤幅度。

论据支撑：

1. 预测能力验证：最大回撤预测效果最为稳定，平均验证集 RankIC 达 0.1792；Sharpe 比率模型在多数年份验证集 RankIC 均超过 0.05。
2. 图结构有效性：通过对中证 1000 样本的分析，证明模型能刻画市场中典型的“核心节点—边缘节点”分层结构。
3. 优化框架闭环：采用“硬约束+软惩罚”的凸优化体系，将预测信号转化为动态权重，验证了深度学习信号在实际组合管理中的有效性。

局限性/风险：

1. 统计规律失效风险：结论基于历史价格信息，易受即时性政策影响，可能无法正确预测未来市场走势。
2. 预测难度差异：收益预测难度高于风险预测，超额收益 Alpha 指标的预测效果相对一般。