核心观点
　　构建深度学习预测+组合优化指数增强策略框架，直接预测个股收益风险信号：本文将指数增强问题拆分为连续衔接的八个环节：原始数据输入、统一清洗与标签构造、K线衍生特征工程、时序编码、截面关系聚合、多标签预测、强化学习组合优化以及执行与回测评估。
　　 K线数据构建特征工程、分组差异化预处理，预测特征包含收益风险信号：特征工程包含两步：第一步，从K线本身出发，并按照金融意义分组，构建K线形态、动量趋势、相对基准强弱、风险波动和量价等多维特征；第二步，在输入模型前针对不同分组采用差异化预处理。这使得模型输入既保持了足够丰富的信息密度，又消除了量纲差异、保持特征值的截面可比性。预测标签取未来22个交易日的超额收益、Sharpe比率和未来66个交易日的最大回撤。
　　深度学习预测：TimeEncoder-GraphSAGE-MLP三重特征提取模型：深度学习预测模型是一个多任务时序图网络，分为时序编码层、截面图网络层、多任务预测头三层。其中TimeEncoder对输入特征值进行时间编码、捕捉个股在时间序列上的长距离依赖，通过注意力池化进行加权聚合；GraphSAGE在截面维度上通过聚合邻居节点的特征识别股票间的联动结构；共同的输入值分别经过三个独立的MLP头，输出超额收益、Sharpe比率和最大回撤的预测值。模型损失函数加权结合RankIC与MSE损失，并通过滚动训练、早停、梯度裁剪等机制规避过拟合，整体预测效果表现优异，最大回撤预测效果比Sharpe比率更加稳定。
　　组合优化结合硬约束与软惩罚，动态更新个股权重：在完成Sharpe比率、最大回撤等信号预测后，将预测结果输入优化算法计算个股权重，在传统均值-方差优化基础上，在约束条件中加入个股仓位、跟踪误差、集中度等硬约束，在目标函数中加入风险中性惩罚项等软惩罚，将预测信号转化为动态权重，最终完成指数增强策略的回测与评价。
　　深度学习预测+组合优化框架在沪深300、科创50等主流宽基指数表现优异：将以上指数增强框架分别应用于沪深300、科创50指数成分股，每年滚动训练深度学习模型并预测下一年信号结果，沪深300指数增强策略在2020年7月31日至2026年5月29日区间实现年化收益率6.73%、年化超额收益5.92%；科创50指数增强策略在2021年7月30日至2026年5月29日区间实现年化收益率7.72%、年化超额收益5.24%。两个策略均在获得超额收益的同时降低了最大回撤幅度，验证了深度学习模型信号预测的有效性。
　　风险提示：报告结论基于历史价格信息和统计规律，但二级市场受各种即时性政策影响易出现统计规律之外的走势，所以报告结论有可能无法正确预测市场发展，报告阅读者需审慎参考报告结论。基金历史收益不代表未来业绩表现，文中观点仅供参考，不构成投资建议。