金工行业市场前景及投资研究报告：图神经网络选股与Qlib实践.pdf

证券研究报告 金工 图神经网络选股与Qlib 实践 华泰研究 2021 年2 月21 日│中国内地 深度研究 人工智能42 ：图神经网络考虑股票间关系的增量信息，提升选股策略表现 本文是华泰人工智能系列第42 篇深度研究，介绍图神经网络 （GNN）概念， 通过微软Qlib 平台测试GNN 选股效果。传统因子选股模型中，通常将股票 视作相互 的样本，但股票间显然存在复杂关联，如产业链上下游关系、 相关行业主题等。GNN 的优势在于能将股票间关系作为增量信息纳入预测 模型。微软AI 量化投资开源平台Qlib 已实现动态图注意力网络（GATs_ts）， 我们测试该方法在沪深 300 成分股量价因子日频选股上的表现，相比基准 模型 LSTM，GATs_ts 回测期内 （2010 年至2021 年2 月初）相对沪深300 年化超额收益率从25.7%提升至28.9%，信息比率从2.64 提升至2.94 。 图神经网络对样本间关系进行建图，将邻居节点的特征聚合到中心节点 GATs_ts （K=1）回测净值 图神经网络 （GNN）将深度学习技术的使用场景从传统的图像、语音拓展 5.0 不扣费净值最大回撤（右轴） 200% 4.5 扣费净值最大回撤（右轴） 180% 至图结构数据，在欺诈检测、购物推荐等领域有广泛应用。GNN 由图信号 4.0 基准净值 160% 3.5 不扣费净值 140% 理论和谱域图卷积发展而来，其思想是对样本间关系进行显式或隐式建图， 3.0 扣费净值 120% 每个节点对应一条样本，再将邻居节点的特征聚合到中心节点，以更新节点 2.5 100% 2.0 80% 特征。图卷积网络（GCN）、GraphSAGE、图注意力网络（GAT）是三种 1.5 60% 1.0 40% 具有代表性的GNN。GCN 属于转导学习，当新样本加入时需重新训练模型 0.5 20%