20240102-东方证券-因子选股系列之九十九：基于异构图神经网络的股票关联因子挖掘.pdf

金融工程|专题报告

报告发布日期2024年01月02日

基于异构图神经网络的股票关联因子挖掘

——因子选股系列之九十九

杨怡玲yangyiling@

执业证书编号：S0860523040002

研究结论薛耕xuegeng@

⚫图神经网络（GNN）近年来成为图分析的主流工具，同样也是量化领域的研究热执业证书编号：S0860523080007

点，这种网络结构能够整合股票间复杂的关联信息。与传统的图聚类和中心性度量

等方法相比，GNN通过节点和邻边的特征传递机制，可以更深入地挖掘和利用图结

构中的数据，如供应链关系和行业分类，以增强个股预测的准确性。

⚫异构图的多维度融合：本报告通过构建异构图神经网络（HeterogeneousGraph

NeuralNetwork）对股票市场进行建模，有效地融合了多种类型的节点和边。股基于抗噪的AI量价模型改进方案：——因2023-12-24

票的量价因子作为节点特征，行业归属、基金共同持仓和分析师共同覆盖作为邻边子选股系列之九十八

特征，共同构成了一个多维度的异构图模型。这种融合方法不仅丰富了模型的信息DFQ-TRA：多交易模式学习因子挖掘系2023-11-14

统：——因子选股系列之九十七

维度，也提高了对未来收益率预测的准确性。

基于残差网络的端到端因子挖掘模型：—2023-08-24

⚫残差连接防止特征稀释：为了应对图神经网络中邻居特征聚合导致的中心节点特征—因子选股系列之九十六

稀释问题，本研究引入了残差连接。通过将中心节点的原始特征与聚合后的邻居特DFQ强化学习因子组合挖掘系统：——因2023-08-17

征结合，残差连接确保了中心节点的特征在传播过程中得以保留。这种设计有效地子选股系列之九十五

UMR2.0——风险溢价视角下的动量反转2023-07-13

提高了模型处理大量邻居节点情况下的稳定性和性能。

统一框架再升级：——因子选股系列之九

⚫XGBoost的两阶段训练：本研究在GNN的全连接层后端采用了“因子单元”模十四

块，并结合梯度提升算法XGBoost进行了二次训练。通过这种两阶段训练方法，集成模型在量价特征中的应用：——因子2023-07-01

模型能够更有效地提取和利用正交的弱因子，优化了股票预测打分的准确性。相比选股系列之九十三

直接预测，这种方法展现了更强的泛化能力和更优的预测结果。

⚫RNN与GNN的融合：本