本文提出基于自适应时空图神经网络(ASTGNN)的因子挖掘模型,能够融合时间序列和空间交互信息,提升因子选股效果。各数据集上ASTGNN相比传统GRU模型在RankIC、ICIR、选股收益等指标显著提升,尤其是周频数据表现最佳,且新模型生成因子在沪深300、中证500、中证1000指数增强策略中均实现了显著超额收益和风险控制改善,证明了图结构嵌入的有效性和实用性。
| 指标 | week | day | ms | l2 |
|---|---|---|---|---|
| ASTGNN RankIC | 14.22% | 13.47% | 14.14% | 12.05% |
| ASTGNN ICIR | 1.33 | 1.36 | 1.32 | 1.13 |
| ASTGNN 换手率 | 62.41% | 72.62% | 60.20% | 58.04% |
| GRU RankIC | 13.57% | 12.42% | 13.64% | 11.84% |
| GRU ICIR | 1.29 | 1.21 | 1.31 | 1.29 |
| GRU 换手率 | 58.22% | 70.17% | 60.62% | 58.04% |
| GRU week | GRU day | GRU ms | GRU l2 | ASTGNN week | ASTGNN day | ASTGNN ms | ASTGNN l2 | |
|---|---|---|---|---|---|---|---|---|
| GRU week | 1.00 | 0.83 | 0.64 | 0.50 | 0.87 | 0.78 | 0.64 | 0.46 |
| GRU day | 0.83 | 1.00 | 0.74 | 0.57 | 0.77 | 0.91 | 0.75 | 0.54 |
| GRU ms | 0.64 | 0.74 | 1.00 | 0.61 | 0.66 | 0.75 | 1.00 | 0.61 |
| GRU l2 | 0.50 | 0.57 | 0.61 | 1.00 | 0.46 | 0.53 | 0.61 | 1.00 |
| ASTGNN week | 0.87 | 0.77 | 0.67 | 0.48 | 1.00 | 0.81 | 0.66 | 0.46 |
| ASTGNN day | 0.78 | 0.91 | 0.76 | 0.54 | 0.81 | 1.00 | 0.75 | 0.53 |
| ASTGNN ms | 0.64 | 0.75 | 0.95 | 0.62 | 0.66 | 0.75 | 1.00 | 0.61 |
| ASTGNN l2 | 0.46 | 0.54 | 0.59 | 1.00 | 0.46 | 0.53 | 0.61 | 1.00 |
| 指数 | 时间 | 指标 | GRU | ASTGNN |
|---|---|---|---|---|
| 沪深300 | 2018年至今 | RankIC | 10.26% | 10.50% |
| Top年化超额 | 27.29% | 27.92% | ||
| 中证500 | 2018年至今 | RankIC | 11.87% | 12.30% |
| Top年化超额 | 23.14% | 25.28% | ||
| 中证1000 | 2018年至今 | RankIC | 15.08% | 15.27% |
| Top年化超额 | 33.45% | 34.44% |
核心观点及评级:
该报告围绕提出的ASTGNN模型,即在RNN中引入自适应图结构以同时挖掘时间和空间信息,克服传统RNN因忽略股票间交互作用而存在的不足,重点展现该结构如何通过数据驱动的邻接矩阵动态刻画股票间交互,提升因子的有效性和稳定性。
报告通过系列实证回测验证了ASTGNN因子相较传统GRU模型在多数据集、多指数股票池中的显著超额收益和稳健性提升。并进一步展示了基于该因子构建指数增强组合的良好业绩表现。报告未明确给出投资评级,但建议关注模型潜在失效与极端市场冲击风险,1,3,15]。
图1(第3页):端到端AI量价模型框架图。清晰展示了数据输入多频率产品(如日K、周K、分钟线、Level-2)通过ResNets预处理后,分别进入多个因子单元(基于RNN),最终通过动态非线性加权生成模型得分。架构合理反映全流程,强调因子生成与组合机制。
图2(第4页):权重图示意。简明展示图模型的节点与带权边结构,是图神经网络底层关联性的形象表达,有助理解邻接矩阵及Graph Laplacian概念。
图3(第6页):自适应时空图网络结构图。模型输入为股票序列经GRU生成隐层表征,嵌入自适应图卷积层(TGC)后输出,后续全连接层得预测结果。强调了时域GRU与空间图卷积的结合,形象直观。
图4 & 图5(第8页):各数据集单因子汇总和分组表现的详细对比矩阵。ASTGNN模型在RankIC、ICIR、换手、最大回撤等核心指标均优于GRU,特别是week数据集表现最为突出。分组收益表现上,Top组收益亦领先,显示模型的现实应用价值和分组收益的层次性,8]。
图6(第8页):各数据集ASTGNN生成因子多头净值走势图。week数据集净值增长最快且曲线较为平滑,l2波动最低但收益最弱。此图定量体现了不同频率数据对模型选股能力的影响。
图7(第9页):生成因子相关系数矩阵表,分析不同模型与数据集间因子相关度。ASTGNN生成因子相关度整体低于纯GRU说明嵌入图卷积增加了因子多样性,有利于改善因子挖掘的丰富性,9]。
图8-10(第9-11页):中证全指及宽基指数选股绩效对比,展示ASTGNN因子回测指标优于GRU,并有年度维度的稳定超额收益呈现,验证了模型广泛的泛化效果,10,11]。
图11-21(第11-14页):沪深300、中证500、中证1000组合年度超额收益、汇总表现、净值趋势图等。图表清楚展现了指数增强策略在不同约束下的年化超额、波动、最大回撤及换手率等,净值曲线表现稳健持续超额增长。成分股占比与换手率约束对策略表现的影响亦在图中体现,说明策略在实盘应用中的风险收益权衡。
本报告不直接涉及传统的企业估值分析,而重点放在量化因子挖掘及投资策略的表现。因工具主要为深度学习模型(ASTGNN)和非线性加权策略,估值体现在因子绩效指标(RankIC、ICIR)及策略收益率和风险控制能力上。模型主要通过RankIC和超额收益等统计指标衡量选股有效性,无经典市盈率、DCF等估值方法。
该报告深入介绍了基于自适应时空图循环神经网络(ASTGNN)的新一代AI量价选股因子挖掘框架。通过紧密结合时序GRU模型和空间自适应图卷积网络,成功捕获股票的时间演化特征与空间交互关系,实现了传统RNN无法覆盖的股票关系挖掘,降低了人为设定邻接矩阵带来的偏见和滞后性。
实证部分使用多频率数据集(week、day、ms、l2)验证,ASTGNN生成因子在RankIC、ICIR、超额收益、最大回撤控制等核心指标上均优于GRU基准模型,特别周频数据表现最佳。相关系数分析体现ASTGNN在多样性上也有所增强。
在中证全指、沪深300、中证500、中证1000等多种宽基指数适用性测试显示,新因子在不同时间区间对应的top组因子年化超额收益均达到20%以上至30%以上。指数增强组合策略应用测试结果进一步验证ASTGNN因子的实用效果,在严格交易约束条件下,超额收益明显、风险控制良好,进一步证明该模型丰富了组合投资工具箱。
报告指出模型仍存在换手率上升和部分数据集因子衰减风险,且量化模型失效与极端市场影响的不确定风险不可忽视。整体而言,ASTGNN架构代表了量化因子挖掘从单一序列到时空交互全面提升的先进方向,具有较强的理论和实操创新价值。
综合来看:
该报告为智能量价模型在机器学习和图神经网络领域的应用提供重要案例与参考,具有较高的行业参考价值和学术探讨意义。
备注: 本分析严格基于报告原文内容与图表数据进行专业解读,未引入非报告内容的额外推断,确保客观公正。所有结论均配有明确页码溯源,方便核查追溯。
因子选股系列之一〇一:自适应时空图网络周频alpha模型.pdf