本文构建了一种融合时序特征提取、图结构关联与宏观状态约束的多模态深度学习选股框架。首先，通过Transformer编码器捕捉个股量价数据的长期时序依赖，提取自适应时间戳特征；其次，基于图注意力网络（GAT）构建行业关联图与资金流向图，解析行业拓扑结构中的非线性关联与资金交互网络中的传导效应；最后，引入物理信息神经网络（PINN），将宏观经济状态方程作为软约束嵌入模型，实现宏观信息对个股收益预测的信息映射。
　　多尺度Transformer模型(Multi-Transformer)。本文基于个股基本量价信息构建出15个时序量价特征，在20日、40日及80日的尺度下，分别利用Transformer进行时序信息处理，并引入门控融合层对三个不同尺度的信息进行加权融合。经回测，Multi-Transformer模型月IC均值10.95%，多头组合年化收益率为32.88%，月均单边换手率0.83X，10分组回测下因子多头组合表现并不显著，且除空头组合外，其余组合分化程度不高，Transformer模型及量价时序信息在因子挖掘效果层面更多聚焦于空头，具备进一步提升空间。
　　个股关联GAT模型（indcap-GAT）。本文从行业关联及资金流向两个角度进行个股关联信息的挖掘。首先基于申万一级行业分类构建行业关联图，并在行业关联的基础上额外构建跨行业边；其次基于部分资金流特征相似性构建资金流向相似边，从而构建资金图，随后两者经过GAT模型处。经模型回测，indcap-GAT因子月均IC为8.77%，多头组合年化收益率为32.77%，月均单边换手率0.61X，整体来看，仅靠个股关联信息训练出的indcap-GAT模型具备一定的选股效果，因子换手相较Multi-Transformer有显著的降低。
　　宏观状态方程构建与损失约束：本文从货币状态以及利率调节状态等角度构建了关于宏观状态虚拟变量的宏观状态方程。并引入PINN（物理信息神经网络）损失函数中物理损失项，在最终的时序截面双流网络模型中引入了宏观状态损失约束。经过回测，PINN宏观信息约束下的时序截面双流网络模型（PINN-MTICG）因子月平均IC为11.41%，多头组合年化收益37.51%，月均单边换手率0.83X，因子表现相较于单独信息输入的Multi-Transformer与indcap-GAT模型均有所提升。且分组回测下，PINN-MTICG因子多空年化收益率44.67%，因子分组效果有所改善。
　　指数增强策略：PINN-MTICG模型沪深300指数增强策略年化超额收益率13.22%，近一个月、三个月、一年、三年超额收益率分别为5.53%、4.15%、24.56%以及8.83%；PINN-MTICG模型中证1000指数增强策略年化超额收益率16.96%，近一个月、三个月、一年、三年超额收益率分别为0.84%、3.59%、23.38%以及18.75%。
　　风险提示：报告对应的相关结论完全基于公开的历史数据进行算法构建、统计以及计算，文中部分数据有一定滞后性，同时也存在第三方数据提供不准确或者缺失等风险；策略效果结论仅针对于回测区间得出，并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议。