【华泰金工林晓明团队】人工智能55:图神经网络选股的进阶之路
（以下内容从华泰证券《【华泰金工林晓明团队】人工智能55:图神经网络选股的进阶之路》研报附件原文摘录）
林晓明 S0570516010001 研究员 SFC No. BPY421 李子钰 S0570519110003 研究员 SFC No. BRV743 何康 S0570520080004 研究员 SFC No. BRB318 报告发布时间：2022年04月11日 摘要 人工智能55：多角度改进图神经网络选股模型 本文从多角度改进图神经网络选股模型，构建周频换仓中证500指数增强策略。图神经网络能够学习资产间的相互影响，为预测提供增量信息。核心改进方向是引入残差网络结构，将预测收益拆解为股票间行业板块关联解释的收益、股票间因子关联解释的收益、特异性收益。以2011年1月至2022年3月为回测期，分别以加权和等权mse为损失函数，500指增策略年化超额收益率为16.17%和14.19%，信息比率为2.14和2.43，年化双边换手率约16倍。图神经网络和XGBoost模型日度超额收益率相关度仅为0.12，等权配置策略年化超额收益率为16.60%，信息比率提升至2.94。 图神经网络是近年来深度学习热点，业界陆续应用于量化投资研究 图神经网络是近年来深度学习的研究热点，同时受到量化投资领域的广泛关注。在预测资产收益时，传统量化策略大多将各资产视作互不相关的个体，图神经网络能够学习资产间的相互影响，为预测提供增量信息。图卷积、图注意力等经典的图神经网络方法于2016至2017年提出，此后IBM日本研究院、Bloomberg、微软亚洲研究院、Amundi等机构陆续将其应用于量化投资研究。华泰金工团队于2021年2月21日发布研报《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下表现优于传统机器学习。 设计残差图注意力网络结构GAT+residual，将股票收益拆解成三部分 本文是对前序研究的深入，借鉴微软亚研院Xu等（2021）设计残差图注意力网络结构，将股票收益拆解成三部分，分别采用不同组件学习：原始因子编码后送入掩码自注意力层，学习股票间板块或行业关联解释的收益；上一层残差送入全局自注意力层，学习股票间因子关联解释的收益；上一层残差代表因子解释自身的特异性收益。股票池为全A股日均总市值和成交额排名前60%个股，选取投资逻辑明确的42个基本面和量价因子，以wmse（根据收益排序加权）为损失函数，构建中证500增强策略的年化超额收益率为16.17%，信息比率为2.14（回测期2011-01-04至2022-03-31）。 考察网络结构、建图方式、损失函数、网络复杂度对选股模型的影响 考察网络结构、建图方式、损失函数、网络复杂度对选股模型的影响。引入残差结构有显著改进效果，从股票间板块、因子的关联中挖掘出有效信息。板块建图表现优于行业建图，产业链上下游股票即使分属不同行业，也存在相互影响。对比mse和wmse损失函数，2011~2013年两者接近，2014~2016年mse占优，2017年至今wmse占优，随着因子多头端日趋拥挤，wmse优势逐步体现。对比隐状态为64/32/16的三组模型，hidden64＞hidden32＞hidden16，提升网络复杂度有改进效果，但也需与样本量、特征数相匹配。 图神经网络和XGBoost相关度低，两者结合可以进一步降低风险 深度学习和传统机器学习的方法论具有一定差异，将低相关性的策略结合可以进一步降低风险。GAT+residual(wmse)和XGBoost模型日度超额收益率两者相关系数仅为0.12。将两个策略等权配置，每60个交易日进行再平衡，组合策略年化超额收益率为16.60%，信息比率从2.14和2.19（GAT和XGBoost，下同）提升至2.94，超额收益Calmar比率从1.84和1.26提升至2.36，改进效果显著。 风险提示：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。深度学习模型受随机数影响较大，本文未进行随机数敏感性测试。本文测试的选股模型调仓频率较高，假定以vwap价格成交，忽略其他交易层面因素影响。 研究导读 图神经网络（Graph Neural Networks）是近年来深度学习的研究热点，同时受到量化投资领域的广泛关注。在预测资产收益时，传统量化策略大多将各资产视作互不相关的个体，图神经网络能够学习资产间的相互影响，为预测提供增量信息。 图卷积、图注意力等经典的图神经网络方法于2016至2017年提出（Kipf & Welling，2016；Velickovic et al.，2017）。此后，业界陆续将这些技术应用于量化投资研究： 1) 2019年，IBM日本研究院测试了图卷积网络在日经225成分股内的选股效果，论文收录于NIPS会议（Matsunaga et al.，2019）。 2) 2020年，Bloomberg的一项研究证实了图注意力网络选股效果优于传统的供应链动量策略（Chang，2020）。 3) 2021年，微软亚洲研究院发表多篇研究，将图神经网络分别应用于多因子选股、事件驱动选股、风险模型、时间序列预测（Xu et al.，2021；Xu et al.，2021；Lin et al.，2021；Xu et al.，2021）。 4) 2021年底，Amundi发表图神经网络应用于全球及美国市场选股的工作论文，指出图神经网络层可以起到平滑高频信号、降低交易成本的作用，同时产业链信息的重要性在2021年显著提升（Pacreau et al.，2021）。 5) 华泰金工团队于2021年2月21日发布研报《人工智能42：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下表现优于传统机器学习方法。 本文是对团队前序研究的深入，我们将图神经网络选股策略改造成更适合资管机构的版本，亮点包括： 1) 精选因子，选取投资逻辑较明确的基本面和量价因子；简化模型，使用简明且易训练的全连接层、图注意力层等结构。 2) 降低换手率，指数增强策略年化双边换手率约16倍；提升策略容量，股票池为全A股日均总市值和成交额排名前60%个股。 3) 引入残差网络结构，将预测收益拆解为股票间行业板块关联解释的收益、股票间因子关联解释的收益、特异性收益。 4) 提升收益表现，以加权mse（wmse）和等权mse为损失函数，以2011年1月至2022年3月为回测期，构建中证500增强策略的年化超额收益率分别为16.17%和14.19%，信息比率分别为2.14和2.43，超额收益Calmar比率分别为1.84和1.62。 5) 结合传统机器学习，图神经网络和XGBoost模型日度超额收益相关度仅为0.12，两者等权配置，组合策略年化超额收益率为16.60%，信息比率提升至2.94，超额收益Calmar比率提升至2.36。 GAT+residual：引入残差结构的图注意力网络 残差结构 本文借鉴微软亚研院Xu等（2021）研究，设计残差图注意力网络结构，将股票收益拆解成三部分，分别采用不同网络组件进行学习： 原始因子编码后送入掩码自注意力层（Masked Self-attention），学习股票间板块或行业关联解释的收益； 上一层的残差送入全局自注意力层（Global Self-attention），学习股票间因子关联解释的收益； 上一层的残差代表因子解释自身的特异性收益。 三部分收益预测相加后，再经过全连接层，得到最终的收益预测结果。 上图展示残差图神经网络的结构（下文称GAT+residual），具体细节如下。 GAT+residual借鉴了Xu等（2021）设计的HIST网络结构（如上图）。两者主要区别在于： HIST的输入为原始行情数据的时间序列，采用GRU层进行编码，得到隐状态Xt,0；GAT+residual的输入为截面上的基本面和量价因子，采用更易训练的全连接网络进行编码。 HIST从Tushare提取1000余种股票概念（如密集调研、南北船合并、5G等），在预定义概念模块进行建图；GAT+residual的掩码自注意力模块采用板块或行业进行建图。 HIST对每一种概念进行编码，计算股票与概念之间的余弦距离，以距离为权重将概念聚合至股票，从而更新股票隐状态。GAT+residual的掩码自注意力模块则是直接计算股票之间的注意力，以注意力为权重将相同板块或行业股票聚合至自身，从而更新股票隐状态。我们认为，HIST的概念编码适用于概念数量较多的场景，本研究场景下直接根据板块或行业建图即可。 对照模型 本文设计三组对照模型，从完整GAT+residual结构中分别删除部分模块，其中： GAT+mask删除全局自注意力模块，核心是掩码自注意力。 GAT+global删除掩码自注意力模块，核心是全局自注意力。华泰金工《人工智能42：图神经网络选股与Qlib实践》（2021-02-21）采用此种网络结构。 nn删除全局和掩码自注意力模块，本质是3层隐藏层的全连接神经网络。 三组对照模型的比较及网络结构示意图如下。 选股模型构建方法 GAT选股模型（含GAT+residual及三组对照模型）的构建可拆解为构建股票池、构建数据集、因子预处理、训练流程、设置模型、构建组合、回测等步骤，详细方法如下表。 GAT选股模型使用的42个基本面及量价因子定义如下表。 下面对部分关键点作展开介绍。 股票池 股票池的设计需兼顾预测广度、策略容量、模型空间开销等方面。对于Alpha模型，整体而言股票池越大，预测广度越大，组合信息比率越高。然而当股票池扩大，会纳入一部分小市值、低流动性股票，策略容量受到限制。另外，图神经网络将每个交易日股票池内的全部股票视作一个batch，batch size高于其他类型网络（一般取32、64、128等）。股票池越大，计算自注意力的空间开销越多，GPU训练时易出现显存不足的问题。 本研究的股票池设为全市场规模较大、流动性较好的个股。首先，从全A股中剔除上市未满63个交易日的个股，剔除ST、*ST、退市整理期的个股。随后，在每个季末截面期的未停牌个股中，筛选过去1年日均成交额和日均总市值均排名前60%的个股。历史各期股票池市值中位数在40~240亿元之间。 邻接矩阵 掩码图注意力模块需要对股票进行建图，即对股票池内的N只股票构建N*N的邻接矩阵W。我们采取相对简单的方案，基于板块或一级行业建图。以行业建图为例，若两只股票i、j属于相同行业，则Wij＝Wji＝1，否则为0。 基于行业建图的前提假设是仅有相同行业个股内部存在相互影响。实际上，对于处在产业链上下游的股票，即使分属不同行业，也存在相互影响。因此更为合理的方式是基于相对“粗糙”的板块进行建图。板块可由一级行业映射得到，映射关系如下表。 信息泄露 模型训练环节需谨防信息泄露。信息泄露是指训练、验证、测试集划分不当所导致的使用未来信息的问题（Prado，2018）。 以本研究为例，第一期滚动训练中，训练集为2002-09-10至2008-12-05，验证集为2008-12-08至2010-12-31，测试集为2011-01-04至2011-07-11。对于训练集的最后一条样本，因子对应2008-12-05，标签对应后11个交易日即2008-12-08至2008-12-22区间的收益。此时训练集标签与后续验证集有重叠，训练集使用了未来信息。类似地，验证集也会使用测试集的未来信息。 合理的处理方式为删除训练集和验证集末尾的样本，上例中训练集末端从2008-12-05提前11个交易日至2008-11-20，验证集末端从2011-07-11提前11个交易日至2011-06-23。 损失函数和评价指标 本文测试mse和加权mse（wmse）两种损失函数。加权mse提高截面上收益较高股票的权重，降低截面上收益较低股票的权重，从而提升模型多头端表现。 其中N为截面期股票数量，权重w根据股票收益率在截面上的排序，以N/2为半衰期进行加权。收益率排序最高股票的权重为1，收益率排序中位数股票的权重为0.5，收益率排序最低股票的权重为0.25。 类似地，在评价模型预测能力时，除常规的IC和RankIC外，我们引入加权IC和加权RankIC： 其中w的半衰期为N/2，并且需要进行截面归一化。 预训练 为了提升模型训练效率，我们在滚动训练中引入预训练机制。如第二期滚动时，在第一期已训练好的参数基础上进行优化。由于训练集长度为252*6个交易日，滚动步长为126个交易日，因此前后两期滚动训练集有5/6的重叠，将前一期的参数迁移至后一期有合理之处。另外，预训练理论上有助于平滑前后两期模型的差距，避免模型间出现大幅波动。 本研究测试中，我们发现预训练在时间开销上没有显著改善，可能原因是网络规模不大，即使没有预训练，6次左右迭代即可完成训练。同时是否预训练对模型表现影响较小，目前结果尚不足以证明预训练能带来显著改善。 测试结果 测试分为五部分，分别考察1）网络结构、2）建图方式、3）损失函数、4）网络复杂度的影响，以及5）图神经网络和XGBoost结合的效果，实际共测试10组模型，如下表。 将模型对个股的收益预测值视作合成后的单因子，可进行单因子IC测试和分层测试（分10层）。本文测试的全部模型合成因子评价指标如下表。 本文测试的全部模型回测绩效如下表。图神经网络模型中，GAT+residual(wmse)和GAT+residual(mse)表现相对较好。图神经网络和XGBoost以等权季度再平衡的方法结合，能够进一步提升回测表现。 网络结构的影响 对比GAT+residual、GAT+mask、GAT+global和nn四组模型： 从加权RankIC来看，nn＞GAT+residual＞GAT+mask＞GAT+global。 从超额收益表现来看，GAT+residual＞GAT+global＞nn＞GAT+mask。 相比于单因子测试，我们更关注策略回测中能够实际拿到的收益及风险。结果表明： 引入残差结构（GAT+residual）有显著改进效果，能够从股票间板块、因子的关联中挖掘出有效信息。 全局建图（GAT+global）优于简单全连接神经网络（nn）。仅基于板块建图（GAT+mask）表现较差，可能损失跨板块股票之间的关联信息。 建图方式的影响 对比基于板块建图和基于一级行业建图两组模型，GAT+residual(sector)在加权RankIC和超额收益表现上均优于GAT+residual(indus)。对于处在产业链上下游的股票，即使分属不同行业，也存在相互影响，因此基于相对“粗糙”的板块建图更为合理。 损失函数的影响 对比wmse损失和mse损失两组模型： mse模型在原始RankIC上占优，wmse模型在加权RankIC上占优。 从超额收益表现看，2011~2013年两者接近，2014~2016年mse占优，2017年至今wmse占优。随着因子多头端日趋拥挤，wmse的优势逐步体现。 网络复杂度的影响 对比隐状态分别为64/32/16的三组模型，加权RankIC差距不大，超额收益表现上hidden64＞hidden32＞hidden16，表明提升网络复杂度有一定改进效果。但过高的复杂度也会增加训练时间和空间开销，以及带来过拟合问题，网络复杂度需要与样本量、特征数相匹配。 图神经网络和XGBoost结合 深度学习和传统机器学习的方法论具有一定差异，将低相关性的策略结合可以进一步降低风险。传统机器学习部分我们采用XGBoost选股模型，其构建方法及使用的因子与图神经网络模型接近，部分细节存在差异，具体如下表。 GAT+residual(wmse)和XGBoost模型日度超额收益率如下图，两者相关系数仅为0.12。 单策略超额收益表现如下图，2011~2016年XGBoost占优，2017年以来GAT+residual占优。将两个策略等权配置，每60个交易日进行再平衡。组合策略年化超额收益率为16.60%，信息比率从2.14和2.19（GAT+residual和XGBoost，下同）提升至2.94，超额收益Calmar比率从1.84和1.26提升至2.36，改进效果显著。 总结与讨论 本文从多角度改进图神经网络选股模型，构建周频换仓中证500指数增强策略。图神经网络能够学习资产间的相互影响，为预测提供增量信息。核心改进方向是引入残差网络结构，将预测收益拆解为股票间行业板块关联解释的收益、股票间因子关联解释的收益、特异性收益。以2011年1月至2022年3月为回测期，分别以加权和等权mse为损失函数，500指增策略年化超额收益率为16.17%和14.19%，信息比率为2.14和2.43，年化双边换手率约16倍。图神经网络和XGBoost模型日度超额收益率相关度仅为0.12，等权配置策略年化超额收益率为16.60%，信息比率提升至2.94。 图神经网络是近年来深度学习的研究热点，同时受到量化投资领域的广泛关注。在预测资产收益时，传统量化策略大多将各资产视作互不相关的个体，图神经网络能够学习资产间的相互影响，为预测提供增量信息。图卷积、图注意力等经典的图神经网络方法于2016至2017年提出，此后IBM日本研究院、Bloomberg、微软亚洲研究院、Amundi等机构陆续将这些技术应用于量化投资研究。华泰金工团队于2021年2月21日发布研报《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下表现优于传统机器学习。 本文是对前序研究的深入，借鉴微软亚研院Xu等（2021）设计残差图注意力网络结构，将股票收益拆解成三部分，分别采用不同组件学习：原始因子编码后送入掩码自注意力层，学习股票间板块或行业关联解释的收益；上一层残差送入全局自注意力层，学习股票间因子关联解释的收益；上一层残差代表因子解释自身的特异性收益。股票池为全A股日均总市值和成交额排名前60%个股，选取投资逻辑明确的42个基本面和量价因子，以wmse（根据收益排序加权）为损失函数，构建中证500增强策略的年化超额收益率为16.17%，信息比率为2.14（回测期2011-01-04至2022-03-31）。 考察网络结构、建图方式、损失函数、网络复杂度对选股模型的影响。引入残差结构有显著改进效果，从股票间板块、因子的关联中挖掘出有效信息。板块建图表现优于行业建图，产业链上下游股票即使分属不同行业，也存在相互影响。对比mse和wmse损失函数，2011~2013年两者接近，2014~2016年mse占优，2017年至今wmse占优，随着因子多头端日趋拥挤，wmse优势逐步体现。对比隐状态为64/32/16的三组模型，hidden64＞hidden32＞hidden16，提升网络复杂度有改进效果，但也需要与样本量、特征数相匹配。 深度学习和传统机器学习的方法论具有一定差异，将低相关性的策略结合可以进一步降低风险。GAT+residual(wmse)和XGBoost模型日度超额收益率两者相关系数仅为0.12。将两个策略等权配置，每60个交易日进行再平衡，组合策略年化超额收益率为16.60%，信息比率从2.14和2.19（GAT和XGBoost，下同）提升至2.94，超额收益Calmar比率从1.84和1.26提升至2.36，改进效果显著。 本研究存在以下未尽之处： 建图方式较单一。目前仅基于板块建图，采用单头注意力机制学习。未来可以考虑基于股权结构关系、产业链等信息构建邻接矩阵，并采用多头注意力机制学习。 图神经网络可解释性不足。目前仅通过回测表现评估图注意力机制效果。Yuan等（2020）Explainability in Graph Neural Networks: A Taxonomic Survey文章中综述了梯度法等多种针对图神经网络的可解释性工具，未来或可借鉴。 图神经网络和XGBoost结合方式较简单。目前为等权配置。未来可以考虑采用风险平价、信号加权、Stacking等方法配置，未来或有优化空间。 因算力有限，未对超参数进行调优，未检验随机数敏感性，有待进一步测试。 参考文献 Chang, C. (2020). Supply Chain Momentum Strategies with Graph Neural Networks. Kipf, T. N. , & Welling, M. . (2016). Semi-supervised classification with graph convolutional networks. arXiv. Lin, H. , Zhou, D. , Liu, W. , & Bian, J. (2021). Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation. ICAIF. Matsunaga, D. , Suzumura, T. , & Takahashi, T. . (2019). Exploring graph neural networks for stock market predictions with rolling window analysis. NIPS. Pacreau, G. , Lezmi, E. , & Xu, J. . (2021). Graph Neural Networks for Asset Management. Working Paper. Prado, M. L. D. (2018). Advances in financial machine learning. Wiley. Velikovi, P. , Cucurull, G. , Casanova, A. , Romero, A. , P Liò, & Bengio, Y. . (2017). Graph attention networks. arXiv. Xu, W. , Liu, W. , Wang, L. , Xia, Y. , Bian, J. , & Yin, J. , et al. (2021). Hist: a graph-based framework for stock trend forecasting via mining concept-oriented shared information. arXiv. Xu, W. , Liu, W. , Xu, C. , Bian, J. , Yin, J. , & Lin, T. (2021). REST: Relational Event-driven Stock Trend Forecasting. WWW. Xu, W. , Liu, W. , Bian, J. , Yin, J. , & Liu, T. (2021). Instance-wise Graph-based Framework for Multivariate Time Series Forecasting. arXiv. Yuan, H. , Yu, H. , Gui, S. , & Ji, S. . (2020). Explainability in graph neural networks: a taxonomic survey. arXiv. 附录 GAT+residual模型的残差结构类似于中性化操作，掩码自注意力+残差结构Ⅰ相当于非线性的板块或行业中性化，全局自注意力+残差结构Ⅱ相当于非线性的因子中性化。如果直接对因子以传统线性方式进行中性化，是否也能提升模型表现？ 我们在nn模型上测试因子行业中性化的效果，对应下表中的nn+neutralize(indus)模型。结果表明，中性化并未提升模型表现，回测绩效与原模型接近。由此可以推测，GAT+residual带来的提升并非简单源于中性化操作，而是挖掘出了板块或行业间的关系信息。 风险提示 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。深度学习模型受随机数影响较大，本文未进行随机数敏感性测试。本文测试的选股模型调仓频率较高，假定以vwap价格成交，忽略其他交易层面因素影响。 免责声明 公众平台免责声明 本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】基于遗传规划的一致预期因子挖掘——华泰人工智能系列之54 【华泰金工林晓明团队】文本PEAD选股策略——华泰人工智能系列之五十一 【华泰金工林晓明团队】SinGAN 单样本生成——人工智能系列之四十九 【华泰金工林晓明团队】对抗过拟合：cGAN应用于策略调参——人工智能系列之四十八 【华泰金工林晓明团队】cGAN模拟宏观指标——人工智能系列之四十七 【华泰金工林晓明团队】AlphaNet改进：结构和损失函数——华泰人工智能系列之四十六 【华泰金工林晓明团队】cGAN应用于资产配置——华泰人工智能系列之四十五 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十五 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则
林晓明 S0570516010001 研究员 SFC No. BPY421 李子钰 S0570519110003 研究员 SFC No. BRV743 何康 S0570520080004 研究员 SFC No. BRB318 报告发布时间：2022年04月11日 摘要 人工智能55：多角度改进图神经网络选股模型 本文从多角度改进图神经网络选股模型，构建周频换仓中证500指数增强策略。图神经网络能够学习资产间的相互影响，为预测提供增量信息。核心改进方向是引入残差网络结构，将预测收益拆解为股票间行业板块关联解释的收益、股票间因子关联解释的收益、特异性收益。以2011年1月至2022年3月为回测期，分别以加权和等权mse为损失函数，500指增策略年化超额收益率为16.17%和14.19%，信息比率为2.14和2.43，年化双边换手率约16倍。图神经网络和XGBoost模型日度超额收益率相关度仅为0.12，等权配置策略年化超额收益率为16.60%，信息比率提升至2.94。 图神经网络是近年来深度学习热点，业界陆续应用于量化投资研究 图神经网络是近年来深度学习的研究热点，同时受到量化投资领域的广泛关注。在预测资产收益时，传统量化策略大多将各资产视作互不相关的个体，图神经网络能够学习资产间的相互影响，为预测提供增量信息。图卷积、图注意力等经典的图神经网络方法于2016至2017年提出，此后IBM日本研究院、Bloomberg、微软亚洲研究院、Amundi等机构陆续将其应用于量化投资研究。华泰金工团队于2021年2月21日发布研报《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下表现优于传统机器学习。 设计残差图注意力网络结构GAT+residual，将股票收益拆解成三部分 本文是对前序研究的深入，借鉴微软亚研院Xu等（2021）设计残差图注意力网络结构，将股票收益拆解成三部分，分别采用不同组件学习：原始因子编码后送入掩码自注意力层，学习股票间板块或行业关联解释的收益；上一层残差送入全局自注意力层，学习股票间因子关联解释的收益；上一层残差代表因子解释自身的特异性收益。股票池为全A股日均总市值和成交额排名前60%个股，选取投资逻辑明确的42个基本面和量价因子，以wmse（根据收益排序加权）为损失函数，构建中证500增强策略的年化超额收益率为16.17%，信息比率为2.14（回测期2011-01-04至2022-03-31）。 考察网络结构、建图方式、损失函数、网络复杂度对选股模型的影响 考察网络结构、建图方式、损失函数、网络复杂度对选股模型的影响。引入残差结构有显著改进效果，从股票间板块、因子的关联中挖掘出有效信息。板块建图表现优于行业建图，产业链上下游股票即使分属不同行业，也存在相互影响。对比mse和wmse损失函数，2011~2013年两者接近，2014~2016年mse占优，2017年至今wmse占优，随着因子多头端日趋拥挤，wmse优势逐步体现。对比隐状态为64/32/16的三组模型，hidden64＞hidden32＞hidden16，提升网络复杂度有改进效果，但也需与样本量、特征数相匹配。 图神经网络和XGBoost相关度低，两者结合可以进一步降低风险 深度学习和传统机器学习的方法论具有一定差异，将低相关性的策略结合可以进一步降低风险。GAT+residual(wmse)和XGBoost模型日度超额收益率两者相关系数仅为0.12。将两个策略等权配置，每60个交易日进行再平衡，组合策略年化超额收益率为16.60%，信息比率从2.14和2.19（GAT和XGBoost，下同）提升至2.94，超额收益Calmar比率从1.84和1.26提升至2.36，改进效果显著。 风险提示：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。深度学习模型受随机数影响较大，本文未进行随机数敏感性测试。本文测试的选股模型调仓频率较高，假定以vwap价格成交，忽略其他交易层面因素影响。 研究导读 图神经网络（Graph Neural Networks）是近年来深度学习的研究热点，同时受到量化投资领域的广泛关注。在预测资产收益时，传统量化策略大多将各资产视作互不相关的个体，图神经网络能够学习资产间的相互影响，为预测提供增量信息。 图卷积、图注意力等经典的图神经网络方法于2016至2017年提出（Kipf & Welling，2016；Velickovic et al.，2017）。此后，业界陆续将这些技术应用于量化投资研究： 1) 2019年，IBM日本研究院测试了图卷积网络在日经225成分股内的选股效果，论文收录于NIPS会议（Matsunaga et al.，2019）。 2) 2020年，Bloomberg的一项研究证实了图注意力网络选股效果优于传统的供应链动量策略（Chang，2020）。 3) 2021年，微软亚洲研究院发表多篇研究，将图神经网络分别应用于多因子选股、事件驱动选股、风险模型、时间序列预测（Xu et al.，2021；Xu et al.，2021；Lin et al.，2021；Xu et al.，2021）。 4) 2021年底，Amundi发表图神经网络应用于全球及美国市场选股的工作论文，指出图神经网络层可以起到平滑高频信号、降低交易成本的作用，同时产业链信息的重要性在2021年显著提升（Pacreau et al.，2021）。 5) 华泰金工团队于2021年2月21日发布研报《人工智能42：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下表现优于传统机器学习方法。 本文是对团队前序研究的深入，我们将图神经网络选股策略改造成更适合资管机构的版本，亮点包括： 1) 精选因子，选取投资逻辑较明确的基本面和量价因子；简化模型，使用简明且易训练的全连接层、图注意力层等结构。 2) 降低换手率，指数增强策略年化双边换手率约16倍；提升策略容量，股票池为全A股日均总市值和成交额排名前60%个股。 3) 引入残差网络结构，将预测收益拆解为股票间行业板块关联解释的收益、股票间因子关联解释的收益、特异性收益。 4) 提升收益表现，以加权mse（wmse）和等权mse为损失函数，以2011年1月至2022年3月为回测期，构建中证500增强策略的年化超额收益率分别为16.17%和14.19%，信息比率分别为2.14和2.43，超额收益Calmar比率分别为1.84和1.62。 5) 结合传统机器学习，图神经网络和XGBoost模型日度超额收益相关度仅为0.12，两者等权配置，组合策略年化超额收益率为16.60%，信息比率提升至2.94，超额收益Calmar比率提升至2.36。 GAT+residual：引入残差结构的图注意力网络 残差结构 本文借鉴微软亚研院Xu等（2021）研究，设计残差图注意力网络结构，将股票收益拆解成三部分，分别采用不同网络组件进行学习： 原始因子编码后送入掩码自注意力层（Masked Self-attention），学习股票间板块或行业关联解释的收益； 上一层的残差送入全局自注意力层（Global Self-attention），学习股票间因子关联解释的收益； 上一层的残差代表因子解释自身的特异性收益。 三部分收益预测相加后，再经过全连接层，得到最终的收益预测结果。 上图展示残差图神经网络的结构（下文称GAT+residual），具体细节如下。 GAT+residual借鉴了Xu等（2021）设计的HIST网络结构（如上图）。两者主要区别在于： HIST的输入为原始行情数据的时间序列，采用GRU层进行编码，得到隐状态Xt,0；GAT+residual的输入为截面上的基本面和量价因子，采用更易训练的全连接网络进行编码。 HIST从Tushare提取1000余种股票概念（如密集调研、南北船合并、5G等），在预定义概念模块进行建图；GAT+residual的掩码自注意力模块采用板块或行业进行建图。 HIST对每一种概念进行编码，计算股票与概念之间的余弦距离，以距离为权重将概念聚合至股票，从而更新股票隐状态。GAT+residual的掩码自注意力模块则是直接计算股票之间的注意力，以注意力为权重将相同板块或行业股票聚合至自身，从而更新股票隐状态。我们认为，HIST的概念编码适用于概念数量较多的场景，本研究场景下直接根据板块或行业建图即可。 对照模型 本文设计三组对照模型，从完整GAT+residual结构中分别删除部分模块，其中： GAT+mask删除全局自注意力模块，核心是掩码自注意力。 GAT+global删除掩码自注意力模块，核心是全局自注意力。华泰金工《人工智能42：图神经网络选股与Qlib实践》（2021-02-21）采用此种网络结构。 nn删除全局和掩码自注意力模块，本质是3层隐藏层的全连接神经网络。 三组对照模型的比较及网络结构示意图如下。 选股模型构建方法 GAT选股模型（含GAT+residual及三组对照模型）的构建可拆解为构建股票池、构建数据集、因子预处理、训练流程、设置模型、构建组合、回测等步骤，详细方法如下表。 GAT选股模型使用的42个基本面及量价因子定义如下表。 下面对部分关键点作展开介绍。 股票池 股票池的设计需兼顾预测广度、策略容量、模型空间开销等方面。对于Alpha模型，整体而言股票池越大，预测广度越大，组合信息比率越高。然而当股票池扩大，会纳入一部分小市值、低流动性股票，策略容量受到限制。另外，图神经网络将每个交易日股票池内的全部股票视作一个batch，batch size高于其他类型网络（一般取32、64、128等）。股票池越大，计算自注意力的空间开销越多，GPU训练时易出现显存不足的问题。 本研究的股票池设为全市场规模较大、流动性较好的个股。首先，从全A股中剔除上市未满63个交易日的个股，剔除ST、*ST、退市整理期的个股。随后，在每个季末截面期的未停牌个股中，筛选过去1年日均成交额和日均总市值均排名前60%的个股。历史各期股票池市值中位数在40~240亿元之间。 邻接矩阵 掩码图注意力模块需要对股票进行建图，即对股票池内的N只股票构建N*N的邻接矩阵W。我们采取相对简单的方案，基于板块或一级行业建图。以行业建图为例，若两只股票i、j属于相同行业，则Wij＝Wji＝1，否则为0。 基于行业建图的前提假设是仅有相同行业个股内部存在相互影响。实际上，对于处在产业链上下游的股票，即使分属不同行业，也存在相互影响。因此更为合理的方式是基于相对“粗糙”的板块进行建图。板块可由一级行业映射得到，映射关系如下表。 信息泄露 模型训练环节需谨防信息泄露。信息泄露是指训练、验证、测试集划分不当所导致的使用未来信息的问题（Prado，2018）。 以本研究为例，第一期滚动训练中，训练集为2002-09-10至2008-12-05，验证集为2008-12-08至2010-12-31，测试集为2011-01-04至2011-07-11。对于训练集的最后一条样本，因子对应2008-12-05，标签对应后11个交易日即2008-12-08至2008-12-22区间的收益。此时训练集标签与后续验证集有重叠，训练集使用了未来信息。类似地，验证集也会使用测试集的未来信息。 合理的处理方式为删除训练集和验证集末尾的样本，上例中训练集末端从2008-12-05提前11个交易日至2008-11-20，验证集末端从2011-07-11提前11个交易日至2011-06-23。 损失函数和评价指标 本文测试mse和加权mse（wmse）两种损失函数。加权mse提高截面上收益较高股票的权重，降低截面上收益较低股票的权重，从而提升模型多头端表现。 其中N为截面期股票数量，权重w根据股票收益率在截面上的排序，以N/2为半衰期进行加权。收益率排序最高股票的权重为1，收益率排序中位数股票的权重为0.5，收益率排序最低股票的权重为0.25。 类似地，在评价模型预测能力时，除常规的IC和RankIC外，我们引入加权IC和加权RankIC： 其中w的半衰期为N/2，并且需要进行截面归一化。 预训练 为了提升模型训练效率，我们在滚动训练中引入预训练机制。如第二期滚动时，在第一期已训练好的参数基础上进行优化。由于训练集长度为252*6个交易日，滚动步长为126个交易日，因此前后两期滚动训练集有5/6的重叠，将前一期的参数迁移至后一期有合理之处。另外，预训练理论上有助于平滑前后两期模型的差距，避免模型间出现大幅波动。 本研究测试中，我们发现预训练在时间开销上没有显著改善，可能原因是网络规模不大，即使没有预训练，6次左右迭代即可完成训练。同时是否预训练对模型表现影响较小，目前结果尚不足以证明预训练能带来显著改善。 测试结果 测试分为五部分，分别考察1）网络结构、2）建图方式、3）损失函数、4）网络复杂度的影响，以及5）图神经网络和XGBoost结合的效果，实际共测试10组模型，如下表。 将模型对个股的收益预测值视作合成后的单因子，可进行单因子IC测试和分层测试（分10层）。本文测试的全部模型合成因子评价指标如下表。 本文测试的全部模型回测绩效如下表。图神经网络模型中，GAT+residual(wmse)和GAT+residual(mse)表现相对较好。图神经网络和XGBoost以等权季度再平衡的方法结合，能够进一步提升回测表现。 网络结构的影响 对比GAT+residual、GAT+mask、GAT+global和nn四组模型： 从加权RankIC来看，nn＞GAT+residual＞GAT+mask＞GAT+global。 从超额收益表现来看，GAT+residual＞GAT+global＞nn＞GAT+mask。 相比于单因子测试，我们更关注策略回测中能够实际拿到的收益及风险。结果表明： 引入残差结构（GAT+residual）有显著改进效果，能够从股票间板块、因子的关联中挖掘出有效信息。 全局建图（GAT+global）优于简单全连接神经网络（nn）。仅基于板块建图（GAT+mask）表现较差，可能损失跨板块股票之间的关联信息。 建图方式的影响 对比基于板块建图和基于一级行业建图两组模型，GAT+residual(sector)在加权RankIC和超额收益表现上均优于GAT+residual(indus)。对于处在产业链上下游的股票，即使分属不同行业，也存在相互影响，因此基于相对“粗糙”的板块建图更为合理。 损失函数的影响 对比wmse损失和mse损失两组模型： mse模型在原始RankIC上占优，wmse模型在加权RankIC上占优。 从超额收益表现看，2011~2013年两者接近，2014~2016年mse占优，2017年至今wmse占优。随着因子多头端日趋拥挤，wmse的优势逐步体现。 网络复杂度的影响 对比隐状态分别为64/32/16的三组模型，加权RankIC差距不大，超额收益表现上hidden64＞hidden32＞hidden16，表明提升网络复杂度有一定改进效果。但过高的复杂度也会增加训练时间和空间开销，以及带来过拟合问题，网络复杂度需要与样本量、特征数相匹配。 图神经网络和XGBoost结合 深度学习和传统机器学习的方法论具有一定差异，将低相关性的策略结合可以进一步降低风险。传统机器学习部分我们采用XGBoost选股模型，其构建方法及使用的因子与图神经网络模型接近，部分细节存在差异，具体如下表。 GAT+residual(wmse)和XGBoost模型日度超额收益率如下图，两者相关系数仅为0.12。 单策略超额收益表现如下图，2011~2016年XGBoost占优，2017年以来GAT+residual占优。将两个策略等权配置，每60个交易日进行再平衡。组合策略年化超额收益率为16.60%，信息比率从2.14和2.19（GAT+residual和XGBoost，下同）提升至2.94，超额收益Calmar比率从1.84和1.26提升至2.36，改进效果显著。 总结与讨论 本文从多角度改进图神经网络选股模型，构建周频换仓中证500指数增强策略。图神经网络能够学习资产间的相互影响，为预测提供增量信息。核心改进方向是引入残差网络结构，将预测收益拆解为股票间行业板块关联解释的收益、股票间因子关联解释的收益、特异性收益。以2011年1月至2022年3月为回测期，分别以加权和等权mse为损失函数，500指增策略年化超额收益率为16.17%和14.19%，信息比率为2.14和2.43，年化双边换手率约16倍。图神经网络和XGBoost模型日度超额收益率相关度仅为0.12，等权配置策略年化超额收益率为16.60%，信息比率提升至2.94。 图神经网络是近年来深度学习的研究热点，同时受到量化投资领域的广泛关注。在预测资产收益时，传统量化策略大多将各资产视作互不相关的个体，图神经网络能够学习资产间的相互影响，为预测提供增量信息。图卷积、图注意力等经典的图神经网络方法于2016至2017年提出，此后IBM日本研究院、Bloomberg、微软亚洲研究院、Amundi等机构陆续将这些技术应用于量化投资研究。华泰金工团队于2021年2月21日发布研报《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下表现优于传统机器学习。 本文是对前序研究的深入，借鉴微软亚研院Xu等（2021）设计残差图注意力网络结构，将股票收益拆解成三部分，分别采用不同组件学习：原始因子编码后送入掩码自注意力层，学习股票间板块或行业关联解释的收益；上一层残差送入全局自注意力层，学习股票间因子关联解释的收益；上一层残差代表因子解释自身的特异性收益。股票池为全A股日均总市值和成交额排名前60%个股，选取投资逻辑明确的42个基本面和量价因子，以wmse（根据收益排序加权）为损失函数，构建中证500增强策略的年化超额收益率为16.17%，信息比率为2.14（回测期2011-01-04至2022-03-31）。 考察网络结构、建图方式、损失函数、网络复杂度对选股模型的影响。引入残差结构有显著改进效果，从股票间板块、因子的关联中挖掘出有效信息。板块建图表现优于行业建图，产业链上下游股票即使分属不同行业，也存在相互影响。对比mse和wmse损失函数，2011~2013年两者接近，2014~2016年mse占优，2017年至今wmse占优，随着因子多头端日趋拥挤，wmse优势逐步体现。对比隐状态为64/32/16的三组模型，hidden64＞hidden32＞hidden16，提升网络复杂度有改进效果，但也需要与样本量、特征数相匹配。 深度学习和传统机器学习的方法论具有一定差异，将低相关性的策略结合可以进一步降低风险。GAT+residual(wmse)和XGBoost模型日度超额收益率两者相关系数仅为0.12。将两个策略等权配置，每60个交易日进行再平衡，组合策略年化超额收益率为16.60%，信息比率从2.14和2.19（GAT和XGBoost，下同）提升至2.94，超额收益Calmar比率从1.84和1.26提升至2.36，改进效果显著。 本研究存在以下未尽之处： 建图方式较单一。目前仅基于板块建图，采用单头注意力机制学习。未来可以考虑基于股权结构关系、产业链等信息构建邻接矩阵，并采用多头注意力机制学习。 图神经网络可解释性不足。目前仅通过回测表现评估图注意力机制效果。Yuan等（2020）Explainability in Graph Neural Networks: A Taxonomic Survey文章中综述了梯度法等多种针对图神经网络的可解释性工具，未来或可借鉴。 图神经网络和XGBoost结合方式较简单。目前为等权配置。未来可以考虑采用风险平价、信号加权、Stacking等方法配置，未来或有优化空间。 因算力有限，未对超参数进行调优，未检验随机数敏感性，有待进一步测试。 参考文献 Chang, C. (2020). Supply Chain Momentum Strategies with Graph Neural Networks. Kipf, T. N. , & Welling, M. . (2016). Semi-supervised classification with graph convolutional networks. arXiv. Lin, H. , Zhou, D. , Liu, W. , & Bian, J. (2021). Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation. ICAIF. Matsunaga, D. , Suzumura, T. , & Takahashi, T. . (2019). Exploring graph neural networks for stock market predictions with rolling window analysis. NIPS. Pacreau, G. , Lezmi, E. , & Xu, J. . (2021). Graph Neural Networks for Asset Management. Working Paper. Prado, M. L. D. (2018). Advances in financial machine learning. Wiley. Velikovi, P. , Cucurull, G. , Casanova, A. , Romero, A. , P Liò, & Bengio, Y. . (2017). Graph attention networks. arXiv. Xu, W. , Liu, W. , Wang, L. , Xia, Y. , Bian, J. , & Yin, J. , et al. (2021). Hist: a graph-based framework for stock trend forecasting via mining concept-oriented shared information. arXiv. Xu, W. , Liu, W. , Xu, C. , Bian, J. , Yin, J. , & Lin, T. (2021). REST: Relational Event-driven Stock Trend Forecasting. WWW. Xu, W. , Liu, W. , Bian, J. , Yin, J. , & Liu, T. (2021). Instance-wise Graph-based Framework for Multivariate Time Series Forecasting. arXiv. Yuan, H. , Yu, H. , Gui, S. , & Ji, S. . (2020). Explainability in graph neural networks: a taxonomic survey. arXiv. 附录 GAT+residual模型的残差结构类似于中性化操作，掩码自注意力+残差结构Ⅰ相当于非线性的板块或行业中性化，全局自注意力+残差结构Ⅱ相当于非线性的因子中性化。如果直接对因子以传统线性方式进行中性化，是否也能提升模型表现？ 我们在nn模型上测试因子行业中性化的效果，对应下表中的nn+neutralize(indus)模型。结果表明，中性化并未提升模型表现，回测绩效与原模型接近。由此可以推测，GAT+residual带来的提升并非简单源于中性化操作，而是挖掘出了板块或行业间的关系信息。 风险提示 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。深度学习模型受随机数影响较大，本文未进行随机数敏感性测试。本文测试的选股模型调仓频率较高，假定以vwap价格成交，忽略其他交易层面因素影响。 免责声明 公众平台免责声明 本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】基于遗传规划的一致预期因子挖掘——华泰人工智能系列之54 【华泰金工林晓明团队】文本PEAD选股策略——华泰人工智能系列之五十一 【华泰金工林晓明团队】SinGAN 单样本生成——人工智能系列之四十九 【华泰金工林晓明团队】对抗过拟合：cGAN应用于策略调参——人工智能系列之四十八 【华泰金工林晓明团队】cGAN模拟宏观指标——人工智能系列之四十七 【华泰金工林晓明团队】AlphaNet改进：结构和损失函数——华泰人工智能系列之四十六 【华泰金工林晓明团队】cGAN应用于资产配置——华泰人工智能系列之四十五 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十五 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则
大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）
郑重声明：悟空智库网发布此信息的目的在于传播更多信息，与本站立场无关，不构成任何投资建议。
