华泰证券-金工： 图神经网络选股与Qlib实践-210221

《华泰证券-金工： 图神经网络选股与Qlib实践-210221（42页）.pdf》由会员分享，可在线阅读，更多相关《华泰证券-金工： 图神经网络选股与Qlib实践-210221（42页）.pdf（42页精品完整版）》请在悟空智库报告文库上搜索。

人工智能42：图神经网络考虑股票间关系的增量信息，提升选股策略表现本文是华泰人工智能系列第42篇深度研究，介绍图神经网络（GNN）概念，通过微软Qlib平台测试GNN选股效果。

传统因子选股模型中，通常将股票视作相互独立的样本，但股票间显然存在复杂关联，如产业链上下游关系、相关行业主题等。

GNN的优势在于能将股票间关系作为增量信息纳入预测模型。

微软AI量化投资开源平台Qlib已实现动态图注意力网络（GATs_ts），我们测试该方法在沪深300成分股量价因子日频选股上的表现，相比基准模型LSTM，GATs_ts回测期内（2010年至2021年2月初）相对沪深300年化超额收益率从25.7%提升至28.9%，信息比率从2.64提升至2.94。

图神经网络对样本间关系进行建图，将邻居节点的特征聚合到中心节点图神经网络（GNN）将深度学习技术的使用场景从传统的图像、语音拓展至图结构数据，在欺诈检测、购物推荐等领域有广泛应用。

GNN由图信号理论和谱域图卷积发展而来，其思想是对样本间关系进行显式或隐式建图，每个节点对应一条样本，再将邻居节点的特征聚合到中心节点，以更新节点特征。

图卷积网络（GCN）、GraphSAGE、图注意力网络（GAT）是三种具有代表性的GNN。

GCN属于转导学习，当新样本加入时需重新训练模型方能进行预测；GraphSAGE和GAT分别通过聚合器和注意力机制的方式实现归纳学习，可直接用于新样本预测，适用于样本动态变化的股票市场。

图时空网络将循环神经网络与图神经网络相结合，适用于量化选股图时空网络的核心思想是将循环神经网络（或卷积神经网络）与图神经网络结合，目标是学习原始数据时间域和空间域上更丰富的信息，适用于量化选股领域。

关系股票排序框架（RSR）和GATs_ts都属于图时空网络范畴。

RSR在顺序嵌入层采用LSTM学习股票的时间序列特征，随后对股票间的多种类型关系构建显式图，在关系嵌入层使用动态时间图卷积学习股票间的相互作用，最终预测股票收益率排序。

GATs_ts与RSR类似，在动态时间图卷积模块采用GAT的全局注意力机制，无需对股票市场显式建图，而是隐式学习所有节点对中心节点的影响，再将这些信息聚合到中心节点。

Qlib平台实现基于Alpha158因子和GATs_ts的沪深300成分内选股策略微软AI量化平台Qlib已实现一层GATs_ts，在源码基础上加以改造可实现多层GATs_ts。

基于Qlib内置的Alpha158vwap因子库，采用GATs_ts对沪深300成分股进行日收益率预测，使用Qlib提供的TopkDropout策略构建日频调仓投资组合。

回测期内（2010-01-04至2021-02-02），一层GATs_ts年化收益率35.70%，夏普比率1.42，相对于基准沪深300指数的年化超额收益率28.89%，信息比率2.94，超额收益最大回撤-16.92%，表现优于基准模型LSTM和多层GATs_ts。

风险提示：Qlib仍在开发中，部分功能未加完善和验证，使用存在风险。

人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。

人工智能技术存在过拟合风险。