有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 金融工程 | 专题报告 研究结论 自适应图模型的优势 ⚫ 本文提出了一个 RNN 中嵌入自适应图的网络结构（ASTGNN）来进行因子挖掘任务。这种新的网络结构能够同时对时间和空间信息进行挖掘，既能考虑到时间维度上个股特征演化关系，又能兼顾空间截面上所有个股的交互作用。 ⚫ 相较于传统图模型通过行业分类、是否属于同一基金持仓或者基本面这些人为选取且滞后性较高的信息构建的邻接矩阵，新模型定义的邻接矩阵完全是数据驱动的，通过个股自身走势或者相关特征自助捕捉个股间的交互关系，因而新模型对空间截面上个股交互关系的刻画更加客观且实时性更强。 ⚫ 自适应图模型邻接矩阵规模只依赖于输入数据量，而不再需要固定其规模，因而自适应图模型的灵活性更高、实用性更大。 单数据集上实验结论 ⚫ 从各数据集生成因子分别的回测结果来看，我们可以得到：数据集 week 生成因子表现最好，RankIC 和多头收益率均显著超过另外几个数据集，但波动和回撤也较大。而 l2 数据集表现最弱，但多头最大回撤相对较低走势稳健性相对较好。近年来 day数据集出现了一定的衰减，而 l2 数据集几乎未出现衰减。 ⚫ 从各数据集通过 ASTGNN 和 GRU 生成单因子相关系数矩阵结果来看：1. 两模型在各数据集上生成单因子的相关性均在 85%~95%之间，相对较高，说明两个模型在各数据集上挖掘出的有效信息相似度较高但仍具有一定的差异性。2. ASTGNN 在各数据集上生成单因子间的相关性普遍低于 GRU，说明不同数据集上挖掘出的个股关联关系有一定差异性。 合成因子的实验结论 ⚫ 从最终因子回测结果来看我们可以得到：1. 相较于 GRU，ASTGNN 模型 RankIC、ICIR、RankIC>0 占比等指标均显著提升，最大回撤也显著降低。这说明通过在因子挖掘阶段嵌入图结构确实能辅助 GRU 得到更多的的信息增量。2. 相较于 GRU，新模型换手率有所上升，这可能和邻接矩阵变化存在一定的关系，即本期和上一期RNN 部分挖掘的特征向量可能变化不大，但由于邻接矩阵变化导致两期最终生成的弱因子差异性上升，最终使得换手率上升。 ⚫ 基于 ASTGNN 模型在各个数据集上进行因子挖掘然后非线性加权所得打分 2018 年和 2020 年以来在中证全指、沪深 300、中证 500、中证 1000 四个指数上十日RankIC 均值分别为 16.00%、10.50%、12.30%、15.27%和 14.27%、9.68%、10.32%、12.99%，top 组年化超额分别为 46.11%、27.92%、25.28%、34.44%和37.19%、27.28%、21.91%、27.48%。相较于基准模型，各宽基指数股票池上新模型生成因子的选股效果均有明显提升。 ⚫ 本文生成因子也可以直接应用于指数增强策略，在各宽基指数上均能获得显著的超额收益，在成分股不低于 80%限制、周单边换手率约束为 20%约束下，2018 年以来，新模型打分在沪深 300、中证 500 和中证 1000 增强策略上年化超额收益率分别为 16.59%、22.32%和 31.12%。 风险提示 ⚫ 量化模型失效 ⚫ 极端市场造成冲击，导致亏损 报告发布日期 2024 年 02 月 28 日 杨怡玲 yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 陶文启 taowenqi@orientsec.com.cn 基于抗噪的 AI 量价模型改进方案：——因子选股系列之九十八 2023-12-24 基于残差网络的端到端因子挖掘模型：——因子选股系列之九十六 2023-08-24 基于循环神经网络的多频率因子挖掘：——因子选股系列之九十一 2023-06-06 自适应时空图网络周频 alpha 模型 ——因子选股系列之一〇一 金融工程 | 专题报告 —— 自适应时空图网络周频 alpha 模型 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 2 目 录 引言 ............................................................................................................... 4 一、自...
