报告提出基于残差结构的图神经网络(GAT+residual)改进选股模型,通过拆解收益因子,结合42个基本面和量价因子构建中证500指数增强策略,回测期2011年至2022年,年化超额收益率达16.17%,信息比率2.14。引入加权均方误差损失函数提升多头端表现,并发现板块建图优于行业建图。通过将图神经网络与传统机器学习模型XGBoost等权组合,相关度仅0.12,组合策略年化超额收益提升至16.60%,信息比率达2.94,显著降低风险并提升绩效。
| 模型 | 年化收益率 | 夏普比 | 信息比 | 年化超额收益率 | 超额收益Calmar比率 | 换手率(双边) |
|---|---|---|---|---|---|---|
| GAT+residual(wmse) | 18.47% | 0.67 | 2.14 | 16.17% | 1.84 | 16.06 |
| GAT+residual(mse) | 16.57% | 0.62 | 2.43 | 14.19% | 1.62 | 16.42 |
| XGBoost | 19.10% | 0.71 | 2.19 | 16.58% | 1.26 | 16.07 |
| 组合等权(GAT+XGBoost) | 19.01% | 0.71 | 2.94 | 16.60% | 2.36 | 16.17 |
核心论点与结论:
本报告对图神经网络在量化选股中的应用进行深化,创新性地引入残差结构(GAT+residual),将股票预测收益拆解为:股票间行业板块关联解释收益、股票间因子关联解释收益与特异性收益三部分,并分别通过不同网络模块独立建模与学习。回测期限从2011年1月至2022年3月,构建周频换仓的中证500指数增强策略,表现优异:
核心亮点为模型架构创新、因子精选、股票池优化、换手率控制与模型融合策略,均支持了模型的持续稳定性及实用性。,3,23]
图神经网络(GNN)在近年深度学习领域兴起,逐步应用于量化投资领域,突破传统策略将资产视为相互独立个体的假设,改为学习股票间复杂关系,进而获得额外预测信息。
报告回顾了行业内先驱机构的研究进展:IBM日本研究院(2019)、Bloomberg(2020)、微软亚洲研究院及Amundi(2021)等,均验证了GNN在选股及资产管理中的潜力和价值,奠定了本报告研究基础。
团队此前研究(2021年2月《图神经网络选股与Qlib实践》)证实图注意力网络在日频选股场景表现优于传统机器学习,为此次工作提供延伸。此次研究在策略容量、换手率和模型简洁性提升方面实现突破。
借鉴微软亚洲研究院Xu等(2021)提出的HIST模型,报告设计了特点鲜明的残差图注意力网络结构,将预测股票收益分拆为三部分:
三部分收益最终相加,经全连接层输出单只股票收益预测。
网络架构的技术细节:
与历史HIST模型主要差异在于:
为量化残差结构及建图策略贡献,设计三种对照模型:
网络结构呈图解及流程清晰,便于后续比较。
股票池涵盖全A股中流动性强、规模大的前60%股票(以市值和成交额双重排名),在剔除新上市、ST、退市个股后构建,保持策略有效容量与数据质量,量级自2011年以来从约800支增至2100支以上,市值中位数介于40亿至240亿元之间,保证模型训练的可扩展性与策略容量。
42个核心因子涵盖估值(如市净率、市盈率倒数)、预期(如一致预期EPS增长)、反转、波动率、换手率及日内技术多维度指标,兼顾基本面与市场行为特征,因子高度投资逻辑明确。详细定义具体列出,因子标准化和缺失处理严格,确保输入质量。
针对掩码自注意力模块,采取基于板块或一级行业构建邻接矩阵:
板块映射详列五大类板块及所含一级行业,实现行业间相对粗糙但更有效的关联映射。,17]
细致划分训练、验证、测试集,并删除接近数据集尾端与下阶段样本重叠的记录,规避未来信息跑偏风险。示意图清晰展现信息泄露区间,被严格控制。
测试均方误差(MSE)与加权均方误差(WMSE)两种损失函数:
滚动训练中采用模型权重迁移以期提高训练效率和平稳连续性,经测试发现预训练对模型表现影响有限,受限于网络规模较小,训练时间消耗不显著。
测试内容涵盖网络结构、建图方式、损失函数、网络复杂度及图神经网络与XGBoost结合。
图形反映出GAT+residual分别使用加权WMSE和MSE损失函数下的累计超额收益与最大回撤,红色线代表累计收益,灰色柱为最大回撤。
累计加权RankIC图显示nn模型因其非图结构特性,单因子预测能力在部分时间段优于图神经网络,但结合超额收益的表现却落后,表明单因子预测能力和实盘收益转换并非线性关系。
对比板块与行业建图,累计加权RankIC和超额收益均显示板块建图更有助于模型捕捉产业链上下游跨行业影响,促使策略更稳健提高表现。
隐状态维度从16递增至64,累计加权RankIC和超额收益均上升,表明适度提高模型复杂度利于收益提升,但报告警示过大网络复杂度有溢出风险。
因本报告聚焦于模型设计与量化策略表现,未涉及公司财务估值或个股目标价等部分,故无估值分析章节。
总体来看,报告秉持谨慎,详细披露了当前模型优势和不足,未陷入单一乐观或忽视潜在问题。
本报告系统地设计、优化和验证了基于图神经网络的选股策略,核心通过创新残差注意力网络结构(GAT+residual),将股票收益拆分为产业链板块关联收益、广义因子关联收益和特异性收益三大组件,分别捕捉不同维度的资产相关性和个股特征,丰富了传统单因子和标准多因子模型。
在2011-2022年的中证500指数样本回测中,采用加权均方误差(wmse)损失对高收益个股加大训练权重,进一步提升策略表现,年化超额收益达16.17%,信息比率2.14,Calmar比率优于传统方法。同时通过股票池优化避免容量和换手率极端,切实控制交易风险。
报告深刻揭示了模型模块组成、建图方式、损失函数及网络复杂度对模型效果的影响,验证了基于板块建图和残差结构是提升策略有效性的重要路径。此外,创新性地将图神经网络与传统机器学习XGBoost结合,实现低相关信号优势叠加,显著提升年化超额收益(16.60%)及风险调整指标,验证了跨方法融合的实用价值。
图表分析直观展示了超额收益曲线及各模型性能对比,揭示残差结构模型在稳定性和收益性上的领先地位。信息泄露控制、训练流程及因子设计细节均体现高度严谨。尽管存在过拟合风险、随机效应未测和模型可解释性不足等限制,报告提出未来改进方向(如多头注意力机制、关联多样性、融合优化及模型解释工具),具有较强的前瞻价值。
总体而言,华泰研究团队通过系统的科研和实证工作,推动了图神经网络在A股量化投资领域的应用进程,为智能选股和组合构建提供了科学且可落地的技术路线,是量化投资研究和实务界值得参考的重要成果。
GAT+residual(wmse)模型超额收益表现
GAT+residual(mse)模型超额收益表现
GAT+residual网络结构示意
微软亚研院 HIST 网络结构(对比参考)
网络结构超额收益对比
建图方式超额收益对比
损失函数超额收益对比
网络复杂度超额收益对比
GAT+residual与XGBoost模型日度超额收益相关
组合策略超额收益表现
该研究报告全面详实地验证了图神经网络,特别是含残差结构的图注意力网络在中国市场中证500指数选股上的优越表现。通过细致的数据处理、模型设计和风险管控,成功提升了超额收益和风险调整收益指标,同时创新性地与传统机器学习模型结合,进一步推动策略的综合性能。
报告对于深度学习模型应用于金融量化,尤其是如何构建有效的图结构信息、避免信息泄露、合理设计损失函数以及融合多模型优势提供了宝贵经验,同时也坦诚了模型当前的风险与不足,为后续研究指明了方向。
作为量化研究与实战应用的典范案例,此报告值得金融机构、资产管理团队及研究者深入学习和借鉴。
(全文上述引用均基于报告原文页码标识)
金工深度研究:图神经网络选股的进阶之路.pdf