久久一日本道色综合久久_国产最爽的av片在线观看_精品成人Av一区二区三区_94久久国产乱子伦精品免费_国产三级网站在线观看_和女邻居做爰在线观看_wymfw最新免费_国产强奷在线免费阅读_95在线观看视频

研究結(jié)論
　　圖神經(jīng)網(wǎng)絡(luò)（GNN）近年來(lái)成為圖分析的主流工具，同樣也是量化領(lǐng)域的研究熱點(diǎn)，這種網(wǎng)絡(luò)結(jié)構(gòu)能夠整合股票間復(fù)雜的關(guān)聯(lián)信息。與傳統(tǒng)的圖聚類和中心性度量等方法相比，GNN通過(guò)節(jié)點(diǎn)和鄰邊的特征傳遞機(jī)制，可以更深入地挖掘和利用圖結(jié)構(gòu)中的數(shù)據(jù)，如供應(yīng)鏈關(guān)系和行業(yè)分類，以增強(qiáng)個(gè)股預(yù)測(cè)的準(zhǔn)確性。
　　異構(gòu)圖的多維度融合：本報(bào)告通過(guò)構(gòu)建異構(gòu)圖神經(jīng)網(wǎng)絡(luò)（Heterogeneous GraphNeural Network）對(duì)股票市場(chǎng)進(jìn)行建模，有效地融合了多種類型的節(jié)點(diǎn)和邊。股票的量?jī)r(jià)因子作為節(jié)點(diǎn)特征，行業(yè)歸屬、基金共同持倉(cāng)和分析師共同覆蓋作為鄰邊特征，共同構(gòu)成了一個(gè)多維度的異構(gòu)圖模型。這種融合方法不僅豐富了模型的信息維度，也提高了對(duì)未來(lái)收益率預(yù)測(cè)的準(zhǔn)確性。
　　殘差連接防止特征稀釋：為了應(yīng)對(duì)圖神經(jīng)網(wǎng)絡(luò)中鄰居特征聚合導(dǎo)致的中心節(jié)點(diǎn)特征稀釋問(wèn)題，本研究引入了殘差連接。通過(guò)將中心節(jié)點(diǎn)的原始特征與聚合后的鄰居特征結(jié)合，殘差連接確保了中心節(jié)點(diǎn)的特征在傳播過(guò)程中得以保留。這種設(shè)計(jì)有效地提高了模型處理大量鄰居節(jié)點(diǎn)情況下的穩(wěn)定性和性能。
　　 XGBoost的兩階段訓(xùn)練：本研究在GNN的全連接層后端采用了“因子單元”模塊，并結(jié)合梯度提升算法XGBoost進(jìn)行了二次訓(xùn)練。通過(guò)這種兩階段訓(xùn)練方法，模型能夠更有效地提取和利用正交的弱因子，優(yōu)化了股票預(yù)測(cè)打分的準(zhǔn)確性。相比直接預(yù)測(cè)，這種方法展現(xiàn)了更強(qiáng)的泛化能力和更優(yōu)的預(yù)測(cè)結(jié)果。
　　 RNN與GNN的融合：本報(bào)告同時(shí)考慮了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和圖神經(jīng)網(wǎng)絡(luò)（GNN）的優(yōu)勢(shì)，結(jié)合了股票數(shù)據(jù)的時(shí)間維度（RNN）和空間維度（GNN）特征。通過(guò)這種融合，模型不僅能夠分析股票的時(shí)序模式，還能捕捉股票間的相互關(guān)系。這種融合策略顯著提高了因子的整體績(jī)效，證明了時(shí)間和空間信息融合的有效性。
　　數(shù)據(jù)和訓(xùn)練：本文使用了63個(gè)顆粒度為日的常見量?jī)r(jià)因子作為股票的原始特征，針對(duì)GNN模型，節(jié)點(diǎn)特征為量?jī)r(jià)因子的截面數(shù)據(jù)，鄰邊特征為同行業(yè)歸屬、基金共同持倉(cāng)和分析師共同覆蓋；針對(duì)RNN模型，數(shù)據(jù)格式為這些量?jī)r(jià)因子的時(shí)間序列。報(bào)告采用“5+1+1”的“訓(xùn)練-驗(yàn)證-測(cè)試”窗口，按年進(jìn)行滾動(dòng)訓(xùn)練，樣本頻率為月頻，對(duì)后20日收益率（中性化）進(jìn)行擬合。
　　回測(cè)結(jié)果：基于GNN二階段模型的因子（月頻）表現(xiàn)為：Rank IC 0.125，ICIR3.19，夏普值2.95，多頭超額年化收益21.0%。將其與RNN結(jié)合之后，得到的綜合因子績(jī)效均有提升：Rank IC 0.131，ICIR 3.36，夏普值3.40，多頭超額年化收益25.4%
　　風(fēng)險(xiǎn)提示
　　量化模型失效風(fēng)險(xiǎn)、市場(chǎng)極端環(huán)境沖擊