兴证金工团队持续探索深度学习模型在量化选股与指数增强中的应用。本文以GRU时序模型为基础，从股票自身长短信号出发，围绕长短信号结合、内生市场状态建模、外部市场信息融合以及内外部结合四个方向，系统研究深度学习因子在不同股票池中的预测能力与增强效果，旨在提升模型收益捕捉能力和风险调整后表现。
　　长短信号结合增强：本文首先构建三阶段长短信号结合增强模型演进路径。模型以未来10日收益率作为中期主任务，引入短期目标的辅助任务并通过PCGrad缓解多任务梯度冲突；进一步加入路径监督，使隐藏状态同时受到中期、短期和局部路径信息约束。实证结果显示，长短信号结合模型相较基准模型在多个股票池中取得明显提升，其中沪深300年化超额收益率达到11.71%，中证1000年化超额收益率达到13.98%。
　　内生市场状态分支：在长短信号结合模型基础上，本文进一步从隐藏状态序列中识别潜在市场状态并构建内生分支模型。该模型通过截面隐藏表征生成潜在状态权重，并将状态权重与专家头进行绑定，同时对股票表征中的共同市场状态成分进行残差化剥离。结果表明，内生状态分支对大盘增强更具优势。
　　外部市场信息分支：本文进一步引入市场数据作为外部条件信息，构建两类模型。通过FiLM机制对股票隐藏状态进行逐特征维度调制，使模型能够刻画不同市场环境下股票信号含义的变化。实证结果显示，外部市场信息分支具备普适性提升，模型在各个宽基增强上年化超额收益率均有提升，夏普比率也同步改善。
　　内外部合并分支与增强测试：在前两类增强机制基础上，本文构建合并分支模型，将外部市场条件调制与内生潜在状态残差化统一到同一模型框架中。内外部合并模型在多数股票池中继续提供增量。整体来看，本文通过逐步改进的形式，实现了深度学习模型中“股票自身长短信号结合+市场状态融合”，为后续指数增强策略提供了新的模型改进方向。
　　风险提示：模型结果基于历史数据的测算，在市场环境转变时模型存在失效的风险。