一、为什么我们要聊深度学习选股与择时融合？

说实话，我入行量化投资那会儿，大家还在用多因子模型和简单的统计套利。那时候选股和择时是两拨人干的活——选股的只管股票池，择时的只管买卖点。但我在实盘中发现一个问题：好股票买在了高点，照样亏钱；烂股票就算择时再准，收益天花板也低。

后来深度学习火起来了，我开始琢磨：能不能让模型既学会选股，又学会择时？说白了，就是让一个神经网络同时理解「买什么」和「什么时候买」。这个想法听起来简单，做起来可踩了不少坑。今天这堂课，我就把这几年的实战经验掰开揉碎讲给你听。

1.1 传统方法的痛点

先说说传统做法的问题在哪。我举个例子：

• 选股模型：用因子打分，选出排名前10%的股票。但模型不管市场情绪，牛市选对了，熊市照样跌。
• 择时模型：用技术指标判断买卖点。但指标滞后严重，等信号出来，行情已经走了一半。

你想想看，这两个模型各自为战，结果就是：选股模型推荐的股票，择时模型说「再等等」；择时模型发出买入信号，选股模型却说「这票不行」。这种割裂，在实盘里就是亏损的根源。

1.2 深度学习带来的转机

为什么深度学习能解决这个问题？我个人习惯用一句话概括：深度学习擅长从高维数据中自动提取交互特征。

传统方法需要人工设计选股因子和择时信号，然后硬生生拼在一起。但深度学习可以：

1. 共享底层特征：让同一个网络同时学习股票的基本面特征和市场时序特征。
2. 端到端训练：直接优化最终的收益目标，而不是分两步优化。
3. 捕捉非线性关系：比如「当市场波动率上升时，低估值股票的防御属性会增强」——这种复杂关系，传统线性模型很难学到。

我在项目中遇到过最典型的案例：用LSTM同时预测股票未来收益和最佳买卖点，结果比分开训练的两个模型收益高出15%以上。嗯，这里要注意，不是所有融合都能提升，关键看你怎么设计网络结构。

1.3 融合框架的整体设计

下面这张图是我自己总结的融合框架，你可以把它当作整个课程的地图：

这个框架的核心思想是：先共享底层特征，再分头学习选股和择时，最后融合决策。我最早尝试的是直接用一个网络输出两个任务，结果发现两个任务互相干扰。后来改成这种「共享-分支-融合」的结构，效果才稳定下来。

1.4 你需要掌握的前置知识

这门课不是零基础入门，我假设你已经具备以下能力：

知识领域	具体要求	我建议的复习资料
Python编程	熟练使用NumPy、Pandas、Matplotlib	《利用Python进行数据分析》
深度学习基础	理解CNN、RNN/LSTM、Transformer原理	吴恩达深度学习课程
量化投资基础	了解多因子模型、回测框架、风险指标	《量化投资：策略与技术》
PyTorch框架	能搭建简单的神经网络并训练	PyTorch官方教程

1.5 课程的整体安排

整个课程我会按照「数据→特征→模型→训练→回测→实盘」这条线来组织。具体来说：

• 第2-3章：数据预处理和特征工程——这部分我踩过最多的坑，比如未来函数、幸存者偏差，我会重点讲怎么避免。
• 第4-6章：模型架构设计——从简单的双塔模型到复杂的Transformer融合，每种结构我都会给出PyTorch代码。
• 第7-8章：训练技巧和损失函数设计——多任务学习的权重怎么调？样本不平衡怎么处理？这里都有实战经验。
• 第9-10章：回测框架和实盘部署——回测跑得漂亮不代表实盘能赚钱，我会告诉你哪些坑是回测看不出来的。

1.6 本章小结

好了，导论部分就讲这么多。总结一下核心要点：

1. 选股和择时必须融合，分开做就是「盲人摸象」。
2. 深度学习提供了技术可能，但框架设计是关键。
3. 「共享-分支-融合」结构是目前最稳定的方案。
4. 先打好基础，再搞融合，别走捷径。

下一章，我们会正式开始数据预处理。我会带你处理A股的真实数据，包括怎么清洗停牌数据、怎么处理复权、怎么避免未来函数——这些都是实盘里必须过的坎。

---

公众号:蓝海资料掘金营，微信deep3321