你不会让同一位裁缝只量一次尺寸，就给所有人做同一件西装。可在机器学习交易里，一种常见做法正是如此：把许多股票的数据放进同一套模型，让它们共享全部参数。这样能凑出更大的训练样本，却也可能把科技股、公用事业股等不同板块的行为差异平均掉。
Julius Döbelt 的论文 Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series 研究的就是这个取舍。作者没有为每只股票单独训练模型，而是在共享的 LSTM 上加入可学习的板块嵌入，让模型既学习市场中的共同规律，也记住股票所属板块的差异。LSTM——一种带记忆机制的神经网络——负责阅读过去一段时间的价格序列；板块嵌入则像一张由模型自己填写的“行业身份牌”。
这是一篇单一 arXiv 论文，尚无独立复现。全文披露的结果也比摘要中“全面胜过所有基准”的说法更复杂。因此，下面讨论的是作者报告的实验，而不是已经得到普遍验证的交易结论。
共享模型，为什么会漏掉东西？
金融收益的信噪比很低：真正可预测的部分通常很小，大部分日常波动更接近噪声。把 S&P 500 股票汇总起来训练，可以增加样本量，减少为单只股票建模时数据不足的问题。但标准共享模型默认所有股票服从同一套规律。
这就是横截面异质性——同一天、同一市场里，不同股票或行业的行为规律并不完全相同。共享模型擅长找共性；独立模型更能贴合个体，却容易因样本太少而过拟合，也就是把偶然波动误认成稳定规律。按板块分组处在两者之间。
这篇论文选择了一个更柔和的折中：LSTM 参数仍由全部股票共享，只在最终判断前加入股票所属 TRBC 板块的嵌入。嵌入不是预先写死的行业评分，而是一组随训练更新的连续数值。若两个板块面对相似价格形态时经常出现相似结果，模型可以把它们放到更接近的位置。
换句话说，模型先读一只股票过去 60 个交易日的收益，再参考它的板块“身份牌”，判断它下一日会跑赢还是跑输当日 S&P 500 股票收益的横截面中位数。板块信息在这里相当于调整了决策门槛，而不是给每个行业另造一套完整 LSTM。
它具体怎么交易？
作者使用 1995 年至 2024 年的数据，并重建了 S&P 500 的历史成分。每个滚动实验包含三年训练和一年测试，共形成 27 个互不重叠的交易期。作者称，测试严格在样本外进行；股票即使在交易期内退市，只要仍有价格数据就继续保留，以降低幸存者偏差。
预测不是“明天涨多少”，而是二分类：一只股票的次日收益会高于还是低于当日全体股票的中位数。策略每天买入最可能跑赢的 只股票，同时卖空最可能跑输的 只股票，组成多空组合。
论文比较了四类预测模型：带板块嵌入的 Sector LSTM、加入宏观金融变量的 Covariate LSTM、基础 LSTM，以及 Random Forest——由许多决策树投票的机器学习模型。市场买入并持有也被作者用作传统参照。
值得注意的是，作者还加入了多种正则化手段，包括 dropout、提前停止、权重衰减、梯度裁剪和标签平滑。它们的共同目的，是约束复杂模型，不让它过度记忆训练样本。标签平滑尤其贴合这个场景：模型训练目标不是绝对的 0 和 1，而是 0.05 和 0.95，承认金融标签本身充满噪声，不鼓励模型表现得过分自信。
“板块身份牌”带来了多少帮助？
全文给出的结论比摘要克制。Sector LSTM 的平均日收益和方向准确率最好，并在各项指标上略优于基础 LSTM。但 Random Forest 的波动通常较低；在 Sharpe ratio——每承担一单位波动获得多少收益的指标——上，它与 Sector LSTM 接近，组合较大时甚至更好。加入油价、VIX、黄金和利率等变量的 Covariate LSTM 反而表现最差：平均日收益最低，波动最高，Sharpe ratio 也最低。
统计检验同样呈现出层次。作者报告，Sector LSTM 相对 Random Forest 的预测优势达到 1% 显著性水平，；相对基础 LSTM 的优势只有边际显著，。后一个结果意味着：在作者设定的检验中，如果两种 LSTM 实际预测能力相同，观察到至少如此明显差异的概率约为 9.2%。它提供了一些支持，但远不是压倒性证据。
宏观变量模型的失败也很有启发。给模型更多信息，不等于给它更多有效信号。在低信噪比市场里，额外变量也可能只是增加模型寻找偶然关系的空间。论文真正得到支持的并非“模型越复杂越好”，而是结构应当对应问题：这里的有效改动，是明确告诉模型股票属于哪个板块。
模型究竟学到了什么？
作者用潜空间可视化观察板块嵌入之间的关系。潜空间可以理解为模型内部整理信息的坐标系：位置接近，表示模型学到的板块表示较相似。作者还检查 LSTM 权重，构造了一项 contribution metric，用来估计板块信息对最终判断的影响。
论文据此认为，预测信号主要对应两类已知模式：短期反转，即近期表现较强的股票随后回落、较弱的股票随后反弹；以及行业动量，即一个板块的相对强弱在一段时间内延续。前者来自模型读取的时间序列，后者则体现在板块嵌入中。
但这仍是模型解释，不是因果证明。权重和内部坐标可以说明模型如何组织信息，不能证明这两个因子是收益产生的真实原因。
为什么值得关注？
这篇工作的价值，不在于宣布一台新的“赚钱机器”，而在于把一个常被忽略的建模选择摆到台面上：哪些规律值得跨股票共享，哪些差异应当保留？
它给出的方案很节制。模型没有走向“一只股票一套网络”，也没有假装所有股票完全相同，而是把共享能力放在时间规律上，把差异容量留给板块。这个思路也提醒我们，机器学习交易的关键并不总是换一个更大的模型。有时，更重要的是先决定哪些对象可以放在一起学。
局限与未知
- 论文没有在所供全文片段中给出策略收益率、最大回撤、交易成本、滑点、换手率及不同 下的完整数字。策略按日调整且包含卖空，成本可能显著改变结果。
- 多空组合与买入并持有的风险暴露不同，不能仅凭收益或 Sharpe ratio 把两者视为完全公平的对手。论文结果也显示 Random Forest 在部分组合规模上的 Sharpe ratio 可更高，与摘要“胜过全部基准”的概括并不完全一致。
- 研究只覆盖 S&P 500 股票及其板块差异。“一套 LSTM 不该通吃所有资产”是更宽的启示，现有证据不能直接外推到债券、商品、外汇或加密资产。