金工深度研究：图神经网络选股的进阶之路

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 金工 图神经网络选股的进阶之路 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +86-755-82080134 研究员 李子钰 SAC No. S0570519110003 SFC No. BRV743 liziyu@htsc.com +86-755-23987436 研究员 何康，PhD SAC No. S0570520080004 SFC No. BRB318 hekang@htsc.com +86-21-28972039 GAT+residual（wmse）模型超额收益 注：回测期 2011-01-04 至 2022-03-31，基准为中证 500 资料来源：朝阳永续，Wind，华泰研究 GAT 和 XGBoost 等权模型超额收益 注：回测期 2011-01-04 至 2022-03-31，基准为中证 500 资料来源：朝阳永续，Wind，华泰研究 2022 年 4 月 11 日│中国内地 深度研究 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+redisual，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。 -10%-5%0%5%10%15%20%25%-200%-100%0%100%200%300%400%500%2011-01-042012-01-042013-01-042014-01-042015-01-042016-01-042017-01-042018-01-042019-01-042020-01-042021-01-042022-01-04超额收益最大回撤（右轴）累计超额收益-10%0%10%20%30%-200%0%200%400%600%2011-01-042012-01-042013-01-042014-01-042015-01-042016-01-042017-01-042018-01-042019-01-042020-01-042021-01-042022-01-04超额收益最大回撤（右轴）累计超额收益 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 金工研究 正文目录 研究导读 ....................................................................................................................................................................... 4 GAT+residual：引入残差结构的图注意力网络 ........................................................................................................... 7 残差结构..........................................................................................