资本市场交易模式多样化和信息技术的飞速进步促进了现代投资理论与方法的创新。研究者不再局限于传统的基本面分析和技术分析,开始借助深度学习的方法研究资本市场。随着研究的深入,量化投资理论的兴起,越来越多的神经网络模型被用来预测股票价格走势,并且预测效果较佳,因此基于深度学习的量化投资策略在全球市场得到了广泛的应用。目前大部分股票预测模型假设样本均服从独立同分布,与股票市场中复杂的交易模式相矛盾,影响股票预测模型的准确性。本文采用Lin et al.（2021）提出的时间路由适配器（TRA）模型作为股票预测模型,增强对多种股票交易模式建模的能力。TRA模型是在加入注意力机制的长短期记忆神经网络（ALSTM）的基础上,用一组线性预测器代替ALSTM模型的输出门,对多种股票交易模式建模,同时将ALSTM模型提取的隐藏表征（hidden state）和预测器的历史预测误差共同作为路由器的输入变量,由路由器对样本所属模式进行预测,再将样本分配给不同的预测器。为了正确识别多种股票交易模式,进一步设计了基于最优运输（OT）的学习算法,并添加正则化项来指导路由器学习样本中的模式,最终获得最优分配矩阵。另外,本文将TRA模型与线性（Linear）模型、梯度提升机（Light GBM）、多层感知机（MLP）、状态频率记忆循环神经网络（SFM）、ALSTM和深度自注意力神经网络（Transformer）作比较,构建基于沪深300成分股的多空对冲投资策略进行回测。实证结果表明,相比于基准模型（ALSTM和Transformer）,TRA模型降低了均方根误差（RMSE）和平均绝对误差（MAE）,提升了信息系数（IC）,提高了年化收益率和夏普比率。本文研究得出了以下结论:（1）TRA模型可以增强现有股票预测模型对多种股票交易模式建模的能力,提升模型的预测性能,并在现实世界的投资中取得更高的投资回报;（2）TRA模型能够正确地学习多种股票交易模式;（3）可以选择合适的预测器数量使TRA模型达到较佳的性能;（4）将隐藏表征和历史预测误差共同作为路由器的输入信息源,有助于模型预测多种股票交易模式;（5）最优运输（OT）对模型学习多种股票交易模式有帮助,即添加正则化项能够指导路由器预测样本所属的多种交易模式。