本论文基于融合LSTM时间序列模型、图注意力网络(GAT)以及金融新闻情感分析的端到端深度学习框架,直接生成股票组合权重,避免传统预测收益后再优化的误差叠加。以覆盖六大行业的9只美股为实验样本,模型在风险调整收益(如夏普比率)和累计收益上均优于等权重及CAPM-MVO基准,强调情感信号和资产间动态关系对提升投资组合表现和稳定性的作用,提出未来可扩展至更大规模资产池的研究方向。
| 模型版本 | 特征 | 图类型 | 说明 |
|---|---|---|---|
| v1 | 收盘价、成交量、对数收益 | 静态图 | 基线模型 |
| v2 | 增加年化收益率、滚动波动率、MACD | 静态图 | 更丰富价格指标 |
| v3 | 增加情感方差、加权情感 | 静态图 | 引入情感特征 |
| v4 | 同v3 | 动态图 | 使用动态图 |
| v5 | 对v4特征做PCA降维 | 动态图 | 降噪稳定性增强 |
| 主要指标 | v1 | v2 | v3 | v4 | v5 | 等权重 | CAPM-MVO |
|---|---|---|---|---|---|---|---|
| 总回报率 | 28.11% | 29.86% | 37.32% | 33.50% | 33.04% | 24.73% | 21.99% |
| 年化回报 | 23.65% | 25.10% | 31.23% | 28.10% | 27.72% | 20.85% | 18.58% |
| 波动率 | 26.02% | 26.29% | 27.19% | 26.60% | 28.45% | 24.89% | 22.03% |
| 夏普比率 | 0.91 | 0.95 | 1.15 | 1.06 | 0.98 | 0.83 | 0.84 |
| VaR (95%) | -2.62% | -2.57% | -2.50% | -2.68% | -2.64% | -2.53% | -2.04% |
| 最大回撤 | -23.38% | -23.35% | -22.05% | -21.70% | -20.99% | -22.60% | -21.59% |
报告标题: From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions
作者: Yun Lin, Jiawei Lou, Jinghe Zhang
联系邮箱: yl5852@barnard.edu, jl6685@barnard.edu, jz3893@columbia.edu
发布机构: 来自学术背景(Barnard College、Columbia University)
发布时间: 2025年7月
研究主题: 利用深度学习技术(LSTM + 图注意力网络 + 新闻情绪分析)构建端到端的股票投资组合优化模型,优化投资组合权重决策,提升风险调整后收益。
核心论点:
报告提出一种端到端模型,融合LSTM捕捉时间序列特征,图注意力网络(GAT)捕捉股间关系,同时引入金融新闻情绪分析反映市场情绪;该模型直接优化组合权重,避免了传统“预测资产收益-再优化”两阶段方法可能带来的误差累积问题。精选9只美国大盘股覆盖6大行业作为实验对象。实验结果显示,模型在累计收益和Sharpe比率上均优于均权组合和CAPM下的均值-方差优化(MVO)基准。尽管股票池较小,研究揭示了结合价格、资产关联和情绪数据提升组合决策潜力,表明该模型具备扩展至更多资产的前景。
内容总结:
报告首先阐述组合优化的传统框架:基于资产收益预测后再做均值-方差优化(MVO),指出其两大限制:一是对收益预测精度依赖高,预测误差可被放大;二是模型往往忽视资产间的关系,仅做独立预测。
随后,作者介绍深度学习中LSTM擅长捕获时间序列,图神经网络(尤其GAT)善于建模股票间复杂交互,且引入新闻情绪能够补充市场心理信息。先前研究验证这些单独或部分结合的技术效果。报告创新在于统一这些元素至单一端到端架构,实现直接学习配置权重。9只股票经过精心挑选,兼顾行业分散与新闻覆盖度,作为实验对象。
推理依据:
通过引用前人工作(Lu等、Zhang等、Korangi等)和文献强调技术优势,展示当前研究空白:缺乏真实融合时序、关系、情绪的统一框架。选取9只代表性股票为原型集,确保实验具有可控变量和合理性。
关键假设:
股票选择基于低相关性、多行业多样性以及丰富新闻报道;市场结构在测试期内基本稳定。
LSTM简介与作用:
LSTM网络能够克服传统RNN在长序列处理时梯度消失或爆炸的问题,通过内置的门控机制捕获长期时间依赖。模型中LSTM负责处理每只股票过去30个交易日(日)构成的多维时序特征(价格变动、波动率、情绪指标等)。
GAT简介与作用:
图注意力网络通过节点间注意力权重的自适应分配,捕捉股票间动态并非均等的相互影响,避免昂贵的全局矩阵计算,具备高效处理动态/大规模图结构的能力。GAT基于股票间的相关系数和行业归属关系深化LSTM输出表示,融合资产间信息。
图构造:
目标函数:
直接以负夏普比率作为损失函数,优化配比权重,使得训练过程紧密围绕风险调整收益最大化目标,规避传统先预测再优化的误差传播。
公式说明:(\mathcal{L}(w,r,\Sigma)=-\frac{w^\top r}{\sqrt{w^\top \Sigma w}}),其中(w)为权重向量,(r)为期望收益,(\Sigma)为协方差矩阵。
整体架构:
结合图1所示流程,整体模型先经历LSTM对序列特征编码,再用GAT融合资产关系,输出(Z_{p,t}),经过线性层与tanh激活生成原始权重(W_{t}),最后进行归一化保证权重总和为1,实现多空持仓调整。训练采用Adam梯度优化,迭代策略以负夏普比率最小化引导模型权重升级。
股票选择:
基于50只广受关注的标普500大股筛选9只,涉及6大行业以实现多样性且保证新闻数据充足。其中,涵盖信息技术、医疗健康、非必需消费、工业、必需消费和能源。
数据采集与清洗:
2021年1月至2025年5月,采集价格数据(开盘、收盘等)及从MarketAux API获取的金融新闻,后者含时戳、相关性、情绪分(-1到+1),文章计数约35-50篇/月/股。新闻与价格数据合并处理,新闻日期对齐至交易日,构成丰富特征集。
假设条件:
投资限制于该9股,不允许换股;理想交易无滑点和延迟;忽略交易成本和市场冲击;行业归属五年稳定;数据完整无缺。结果被视为该框架潜力上限。
特征与模型版本:
五个模型版本依次增加复杂性:
训练与验证:
使用70%的数据训练(附20%内部验证),剩余30%做未来测试。测试涵盖2025年4月关税引发的市场冲击期,确保模型充足测试于高波动环境。训练40轮、随机批次采样、测试固定随机种子确保复现性。动态图每周更新。参数调优采用Optuna自动搜索。
| 模型 | 总收益 | 年化收益 | 波动率 | Sharpe比率 | VaR(95%) | 最大回撤 |
|---|---|---|---|---|---|---|
| v1 | 28.11% | 23.65% | 26.02% | 0.91 | -2.62% | -23.38% |
| v2 | 29.86% | 25.10% | 26.29% | 0.95 | -2.57% | -23.35% |
| v3 | 37.32% | 31.23% | 27.19% | 1.15 | -2.5% | -22.05% |
| v4 | 33.50% | 28.10% | 26.60% | 1.06 | -2.68% | -21.70% |
| v5 | 33.04% | 27.72% | 28.45% | 0.98 | -2.64% | -20.99% |
| 均权基准 | 24.73% | 20.85% | 24.89% | 0.83 | -2.53% | -22.60% |
| CAPM-MVO | 21.99% | 18.58% | 22.03% | 0.84 | -2.04% | -21.59% |
具体分析:
与文献对比:
表3将本模型与Chalvatzis(2019)及Lu et al(2025)对比。
经济意义:
情绪融入改善预测能力,表明市场情绪是价格以外的重要信息来源。PCA降低特征冗余,提高波动期间的配置稳定。训练目标直接对准Sharpe比率,使优化更符合实际投资者偏好。该深度学习框架具备为专业投资管理提供新视角的潜力,尤其适用于复杂市场或事件驱动行情。
整体而言,本研究创新性地构建出端到端深度学习框架,结合时间序列、资产关系及情绪数据,实现对投资组合权重的直接学习和优化,显著优于均权和CAPM-MVO标杆,特别是在风险调整指标方面表现突出。研究验证金融新闻情绪与动态关系网络对于构建稳定高效的投资策略具有实用价值。尽管存在样本规模和理想化假设的限制,结果为未来扩展和实践应用开创了方向。未来将着重扩容资产池、强化情绪分析和引入交易摩擦因素,以提升模型的实战适用性。
详见上文性能指标总结。
聚焦本模型与两篇代表性深度学习文章的时间段、年化收益、Sharpe比率、最大回撤对比,凸显本研究的稳健性和实盘适应能力。
各模型在测试期对9只股票权重动态分配的走势图(Model v1,v2,v3,v4,v5),展现了模型在多空持仓和行业轮动上的策略差异。其中:
本报告属于投资组合优化方向,核心非企业估值,未涉及公司估值模型(如DCF、P/E等),故无相关估值方法解释。模型训练目标函数直接优化夏普比率,跳过传统估值逻辑,焦点在组合权重预测与风险调整收益最大化。
报告承认这些风险,提出未来工作计划逐步缓解。
本文报告提出了一种创新的端到端深度学习框架,将LSTM、图注意力网络、以及金融新闻情绪融为一体,直接学习投资组合权重,避免传统预测再优化过程中的误差传递和资产独立性假设。选取9只美国大盘股跨6大行业构建实验,验证模型在超过一年半的真实市场数据上,尤其是在包含2025年4月贸易关税波动的压力测试下表现优异。
关键发现包括:
全报告框架展现了深度学习与多元数据融合在现代量化投资中的可行性,为未来扩展更大资产池、深化情绪分析和真实交易条件下的投资策略发展奠定基础。虽然样本规模与假设条件限制了泛化能力,成果仍为智能资产配置提供新思路,显示将传统金融理论与先进机器学习方法结合的巨大潜力。
综上,此份报告从整体设计、方法论、实验验证到风险评估,均体现了深厚的技术与金融知识背景,结合详实的实证数据支持,论证严谨清晰。图表清晰展现了模型性能提升轨迹和策略权重演变,体现了深度学习框架在投资组合管理中的创新与应用前景。,1,2,3,4,5,6,7,8,9,10,11,12]
2509.24144.pdf