组合优化系列：时序截面三层深度学习模型预测收益风险信号

本报告探讨了基于深度学习模型进行股票收益与风险信号预测的方法，旨在优化指数增强策略。研究采用轻量化、务实的思路，仅利用指数成分股权重及个股K线（高开低收、成交量额）构建特征工程，避免了高维数据带来的维护成本。核心模型采用“Transformer+图网络+MLP”的三层结构，Transformer用于捕捉时间序列依赖，图网络通过相关系数定义邻居节点并进行均值聚合以挖掘截面相关性，MLP负责特征重组与降维。

报告重点指出，风险类指标（如最大回撤、夏普比率）的预测稳健性优于纯收益指标（Alpha）。模型通过Rank IC与MSE综合损失函数进行训练，并引入早停机制。回测结果显示，该模型在沪深300及科创50指数增强策略中表现良好，超额收益稳健，且有效控制了组合的最大回撤。研究表明，在基础数据之上通过深度学习挖掘风险信号，可作为有效的选股因子或组合优化输入。