>> 東方證券-因子選股系列之一一七：DFQ-FactorGCL，基于超圖卷積神經(jīng)網(wǎng)絡(luò)和時間殘差對比學(xué)習(xí)的股票收益預(yù)測模型-250721
| 上傳日期： |
2025/7/22 |
大?。?/td>
| 3002KB |
| 格式： |
pdf 共55頁 |
來源： |
東方證券 |
| 評級： |
-- |
作者： |
劉靜涵,楊怡玲 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
HIST模型的回顧與不足
為克服傳統(tǒng)時序預(yù)測模型忽視股票間橫截面關(guān)系、泛化能力不足的問題，HIST模型創(chuàng)新性地引入股票截面交互機制，采用級聯(lián)殘差結(jié)構(gòu)模擬投資者“先行業(yè)、后風(fēng)格、再個股”的分析邏輯，分階段提取預(yù)定義概念、隱藏概念與個股特質(zhì)信息，提升模型的可解釋性與穩(wěn)定性。但該模型仍存在不足：（1）隱藏概念構(gòu)建機制粗糙；（2）關(guān)聯(lián)權(quán)重計算生成失真；（3）概念信息聚合缺乏結(jié)構(gòu)化傳播機制；（4）個股殘差信息未充分剝離共性干擾，影響特質(zhì)預(yù)測純度與穩(wěn)定性。
HIST-HyperGCN模型：引入超圖結(jié)構(gòu)提升結(jié)構(gòu)表達(dá)能力
HIST-HyperGCN模型將HIST中的注意力機制替換為超圖卷積（HyperGCN），改進(jìn)包括四方面：（1）預(yù)定義概念建圖改為靜態(tài)0-1結(jié)構(gòu)，更貼合真實行業(yè)歸屬；（2）隱藏概念采用可學(xué)習(xí)因子原型，表達(dá)更穩(wěn)定清晰；（3）關(guān)聯(lián)權(quán)重通過結(jié)構(gòu)歸一化傳播代替“余弦+softmax”，保留特征模長，避免權(quán)重失真；（4）概念信息傳播采用統(tǒng)一的超圖卷積路徑，提升高階聯(lián)動建模能力與表達(dá)效率。
HIST-TRCL模型：時間殘差對比學(xué)習(xí)增強預(yù)測穩(wěn)健性
HIST-TRCL引入時間殘差對比學(xué)習(xí)（TRCL），構(gòu)建個股歷史特質(zhì)與未來特質(zhì)之間的自監(jiān)督對比任務(wù)，迫使模型主動學(xué)習(xí)出跨時間穩(wěn)健一致的股票特質(zhì)特征表達(dá)。同時對InfoNCE損失進(jìn)行優(yōu)化，采用平方余弦相似度增強正負(fù)樣本區(qū)分效果，顯著提升模型的跨時間泛化性能。
FactorGCL模型：融合超圖與時間殘差的集成框架
FactorGCL融合HyperGCN與TRCL兩大機制，通過超圖卷積網(wǎng)絡(luò)（HyperGCN）提取預(yù)定義與隱藏概念的高階關(guān)聯(lián)信息，再結(jié)合時間殘差對比學(xué)習(xí)（TRCL）機制強化股票特質(zhì)特征的跨時間一致性建模，最終統(tǒng)一整合形成結(jié)構(gòu)化且穩(wěn)健的因子預(yù)測框架。模型通過多路徑的信息聚合與融合機制，同時兼顧了股票橫截面高階關(guān)聯(lián)的結(jié)構(gòu)表達(dá)能力和收益預(yù)測的時間泛化能力，顯著提升了因子預(yù)測的精度與穩(wěn)健性。
模型實證結(jié)果與績效分析
DFQ-FactorGCL模型在中證全指、滬深300、中證500和中證1000股票池中均表現(xiàn)優(yōu)異。中證全指股票池IC為12.46%，rankIC為16.14%，多頭組合年化超額收益達(dá)32.65%；滬深300股票池IC為8.71%，rankIC為10.61%，多頭年化超額收益為12.37%。
指數(shù)增強組合績效穩(wěn)健、風(fēng)險可控
模型在指數(shù)增強策略中表現(xiàn)突出：滬深300股票池年化信息比為2.20，年化對沖收益12.14%，超額收益中66%來自特質(zhì)收益；模型組合具有明顯的Alpha獲取能力，風(fēng)格暴露控制良好，風(fēng)險穩(wěn)定可控。
風(fēng)險提示
1.量化模型基于歷史數(shù)據(jù)分析，未來存在失效風(fēng)險，建議投資者緊密跟蹤模型表現(xiàn)。
2.極端市場環(huán)境可能對模型效果造成劇烈沖擊，導(dǎo)致收益虧損。
|
|
