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，并重点介绍了基于该框架的PINN信息约束与时序截面双流网络模型（PINN-MTICG）。
模型构建：
- 多尺度Transformer模型（Multi-Transformer）：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，并在20日、40日及80日的尺度下进行时序信息处理，最后通过门控融合层对三个不同尺度的信息进行加权融合。
- 个股关联GAT模型（indcap-GAT）：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，构建行业关联图与资金流向图，并利用GAT模型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。
- 宏观状态方程构建与损失约束：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损失函数中的物理损失项，将宏观变量的连续演化规律嵌入个股因子挖掘模型。
模型回测：
- Multi-Transformer模型：全A范围内月均IC为10.98%，多头组合年化收益率为32.90%，月均单边换手率0.83X。因子更多聚焦于空头，具备进一步提升空间。
- indcap-GAT模型：全A范围内月均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。因子换手相较Multi-Transformer有显著的降低。
- PINN-MTICG模型：全A范围内月均IC为11.41%，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：
- 沪深300指数增强策略：PINN-MTICG模型年化超额收益率为13.12%，MTICG模型年化超额收益率为11.85%。
- 中证1000指数增强策略：PINN-MTICG模型年化超额收益率为17.07%，MTICG模型年化超额收益率为15.23%。
研究结论：
PINN-MTICG模型实现了“微观特征—中观关联—宏观状态”的多层次信息融合，在多维度特征融合和宏观约束方面取得了一定突破，展现出一定的选股能力和策略稳定性。
未来展望：
未来研究可从丰富宏观约束维度、改进图的构建方法、提升模型对市场状态变化的响应速度、降低因子换手率等方向深化。
