机器学习应用分析报告：PINN信息约束与时序截面双流网络选股模型.pdfVIP

2025[Table_ReportInfo]年04月07日

证券研究报告•金融工程专题报告

机器学习应用系列

PINN信息约束与时序截面双流网络选股模型

摘要

[Table_Summary]本文构建了一种融合时序特征提取、图结构关联与宏观状态约束的多模态深度

[Table_Author]

学习选股框架。首先，通过Transformer编码器捕捉个股量价数据的长期时序

依赖，提取自适应时间戳特征；其次，基于图注意力网络（GAT）构建行业关

联图与资金流向图，解析行业拓扑结构中的非线性关联与资金交互网络中的传

导效应；最后，引入物理信息神经网络（PINN），将宏观经济状态方程作为软

约束嵌入模型，实现宏观信息对个股收益预测的信息映射。

多尺度Transformer模型(Multi-Transformer)。本文基于个股基本量价信息相关研究

构建出15个时序量价特征，在20日、40日及80日的尺度下，分别利用1.基于产业链和交易结构的豆粕期货择

Transformer进行时序信息处理，并引入门控融合层对三个不同尺度的信息进时框架(2025-03-19)

行加权融合。经回测，Multi-Transformer模型月IC均值10.95%，多头组合年2.可转债K线技术分析与K线形态因子—

化收益率为32.88%，月均单边换手率0.83X，10分组回测下因子多头组合表—量化方法在债券研究中的应用三

(2025-03-14)

现并不显著，且除空头组合外，其余组合分化程度不高，Transformer模型及

3.识时通变：宏微同频成长价值风格轮动

量价时序信息在因子挖掘效果层面更多聚焦于空头，具备进一步提升空间。

策略(2025-01-10)

个股关联GAT模型（indcap-GAT）。本文从行业关联及资金流向两个角度进4.超额收益如何回归？——2025年金融

行个股关联信息的挖掘。首先基于申万一级行业分类构建行业关联图，并在行工程策略报告(2025-01-06)

业关联的基础上额外构建跨行业边；其次基于部分资金流特征相似性构建资金5.ESG投资概述及其在多因子策略中的

流向相似边，从而构建资金图，随后两者经过GAT模型处。经模型回测，应用(2024-12-11)

indcap-GAT因子月均IC为8.77%，多头组合年化收益率为32.77%，月均单6.价格形成路径与趋势清晰度因子

边换手率0.61X，整体来看，仅靠个股关联信息训练出的indcap-GAT模型具(2024-11-08)

备一定的选股效果，因子换手相较Multi-Transformer有显著的降低。7.基于优选“固收+”基金探索绝对收益

策略构建之“道”(2024-11-08)

宏观状态方程构建与损失约束：本文从货币状态以及利率调节状态等角度构建8.基于历史相似走势的因子选股研究

了关于宏观状态虚拟变量的宏观状态方程。并引入PINN（物理信息神经网络）(2024-09-09)

损失函数中物理损失项，在最终的时序截面双流网络模型中引入了宏观状态损9.如何利用机器学习赋能红利高股息投

失约束。经过回测，PINN宏观信息约束下的时序截面双流网络模型