加载中...
本报告基于深度学习模型,探讨量价信息与基本面信息的融合。研究发现,简单共输入量价和基本面特征效果有限,二次加权及图神经网络(GNN)能更好融合二者,其中BiAGRU-GAT模型表现最佳,2024年内显示较强的选股能力和更稳定的超额收益。AI增强组合测试表明该模型在中证500与中证1000指数增强中取得显著年化超额收益和较低回撤风险,为量化选股提供有效工具。
| 模型 | 中证500增强(全市场) | 中证1000增强(全市场) |
|---|---|---|
| 基准模型 | 15.9% | 21.7% |
| 二次加权模型 | 13.1% | 19.7% |
| BiAGRU-GAT模型 | 17.2% | 24.1% |
本报告围绕如何有效融合基本面信息与量价信息构建选股因子展开系统研究,提出了三种深度学习框架:
通过系统对比,BiAGRU-GAT模型融合方案代表当前深度学习与金融融合的前沿方法,其年化超额收益和回撤控制层面均优于其他模型及基准,具备较强的应用价值和推广潜力。组合实测结果也验证了因子研究的实际效果,展示了深度学习与图神经网络技术在资产管理中的领先应用案例。
最后,报告对市场系统性风险、流动性风险、政策风险及因子失效风险进行了基本提示,提醒投资者保持风险意识,谨慎使用因子模型。
该报告为海通证券研究所发布的系统性学术金融研究,数据详实、方法先进、结论严谨,适合对量化选股模型感兴趣的专业投资者及量化研究者深度阅读。
选股因子系列研究(九十七):使用图神经网络融合量价信息与基本面信息.pdf