第一章 引言
第二章 基于图神经网络的行业轮动策略构建与实证检验
2.1 核心概念界定与相关研究基础梳理
行业轮动指的是在不同的行业板块之间进行资金的配置和切换的投资策略,目的在于借助宏观经济周期、市场情绪波动或者产业政策导向造成的行业收益差别,得到超过市场平均水平的超额收益。本文所研究的行业轮动策略是指在A股市场二级行业分类体系下,基于月度时间维度的中长周期收益轮动,与传统的大类资产配置或者高频日度短线交易有明显的不同,它的核心是用行业间相对收益的均值回归或者动量效应来进行优化配置。行业关联图是用图论的方法把各个行业当作节点,把行业之间存在的经济传导、产业链上下游或者资金联动这些复杂的依赖关系映射成边的拓扑结构。时空图神经网络属于图卷积网络和循环神经网络或者时序卷积网络相融合的深度学习结构,可以同时获得行业间空间结构依赖以及时间序列动态变化的特征,给非欧几里得结构金融时序数据的处理赋予了一种有效的手段。传统的行业轮动研究主要产生了三种主流的范式,第一种是量价驱动型,主要依靠动量、反转等技术指标,虽然操作简单但是不能适应市场风格的剧烈变化;第二种是基本面驱动型,依靠宏观经济数据和财务指标建立逻辑框架,理论上比较扎实但是存在数据发布滞后的问题;第三种是事件舆情驱动型,用文本挖掘来捕捉市场情绪,虽然反应快但是容易受到噪声的干扰。与此同时,图神经网络在金融领域的应用已经被证实是刻画资产关联有效的手段,但是以往的研究大多把行业间的关联当作静态固定的关系来处理,忽视了金融市场中网络结构随着时间不断变化的本质特性,这些缺点直接限制了模型应对突发的结构性变化的能力,也给之后构建动态时序图神经网络模型提供了重要的理论切入点。
[["研究维度","传统统计方法","深度学习方法","图神经网络方法"],["信息捕捉范围","单行业时序","跨行业关联弱","全行业关联网络"],["因子挖掘能力","人工预设为主","自动隐式挖掘","关联特征显式挖掘"],["轮动信号时效","滞后性明显","中等时效","实时性较强"],["样本依赖性","低样本依赖","高样本依赖","中等样本依赖"],["预测准确率","55%-60%","62%-67%","68%-75%"],["应用普及程度","极高","中等","较低"]]
2.2 行业关联图的构建与特征工程设计
2.2.1 多维度行业关联关系的图节点与边定义
在基于图神经网络的行业轮动策略研究中,科学地建立行业关联图并准确地设计特征工程是模型有效的基础。首先确定图结构的节点定义,选择A股全部申万一级行业以及部分流动性好、代表性强的核心二级细分行业作为独立图节点,使图结构可以覆盖市场上主要的投资标的,给之后的信号传导提供完整的载体基础。其次,边的定义和权重量化是对行业之间复杂联系的一种概括。本策略设计了三类重要的关联边来描述多方面的市场联系,第一类是产业链上下游关联边,依靠2018到2023年A股上市公司详细的投入产出表数据来创建,用行业之间直接消耗系数的大小来衡量上下游供需依赖的强弱,并且把它当作边的静态基准权重;第二类是资金抱团关联边,体现机构资金的联动偏好,根据主动偏股型基金在各个行业的持仓重合度来计算,用持仓时序变化的动态特征生成动态边权来捕捉存量资金的博弈动向;第三类为舆情联动关联边,采用自然语言处理技术挖掘全网财经新闻和研报,计算各个行业关键词在同一篇文章里出现的次数,从而定量地衡量出由外界事件引起的行业情绪波动的大小。特别地,为了适应金融市场的时变性特点,把边的权重设为按月度窗口滚动更新,该种动态机制很好地克服了传统行业分类指数中边权一直不变、不能及时体现市场结构变化的缺点,大大提高了策略的适应性和准确性。最后系统会给出一个典型月份的行业关联图谱样例,用可视化的方式来表示节点之间的联系程度,从而证明上述图定义在逻辑上是合理的,在实证应用中也是有效的。
2.2.2 融合量价、基本面与舆情信息的节点特征体系搭建
在建立基于图神经网络的行业轮动模型的时候,节点特征体系的构建就是模型把握行业属性和动态变化的根本。本文想要建立一种包含量价、基本面、舆情的异质性特征结构,从而全面反映行业各个方面的状况。首先从量价的角度出发,选取行业指数的月度收益率、波动率、成交量换手率、动量反转因子等12个时序特征,这些指标可以高频且灵敏地反映市场交易的热度和价格的变动情况。其次,在基本面方面,汇总行业内成分股的整体表现,把营收增速、净利润同比增长率、毛利率变化趋势和ROE分位数等8个因子纳入进来,用来刻画行业长期盈利能力和内在价值。为了量化市场情绪对行业轮动的影响,舆情维度是以大量的财经新闻、券商研报评级和社交平台讨论为基础,使用情绪词典来计算行业月度舆情倾向度和市场关注度这两个专属特征,把非结构化的文本信息变成模型可以使用的数值信号。
为了保证输入数据的高质量和一致性,需要对上述多模态特征进行严格的预处理。对于各个来源的数据中存在的缺失值情况,使用时间序列线性插值或者历史均值填充的方式来补全,保证数据的连续性。由于量价和基本面特征在量纲上存在较大的差别,需要对所有的特征进行Z-Score标准化处理,使它们成为均值为0、方差为1的标准正态分布,从而消除量纲对模型收敛的影响。然后用随机森林或者XGBoost这样的树模型来筛选出特征重要性,去掉噪声特征,留下那些对行业收益解释力最强的核心变量。最后计算出各个特征之间的方差膨胀因子(VIF)来检验多重共线性,保证各个特征之间不存在严重的线性叠加关系。该标准化处理既给图神经网络赋予了合乎规范的优质特征集,又为后面精准预测行业轮动走向打下了优良的数据根基。
2.3 基于时空图神经网络的行业轮动预测模型搭建
图1 时空图神经网络预测技术路线
为了准确地捕捉到行业轮动过程中复杂的非线性特征,本文有针对性地设计了一个适用于行业场景的时空图神经网络预测模型。该模型的总体结构为拼接型,由图卷积层和时序门控循环单元两个主要部分组成,二者一起参与行业截面关系信息的融合以及时间序列动态变化的趋势预测。图卷积层主要对各月的时间截面进行运算,用相邻节点的信息来提取行业之间隐性关联传导特征,从而量化出市场情绪和产业链上下游的传导效应;时序门控循环单元则着重于挖掘行业特征随时间变化的时序规律,捕捉动量与反转效应等长期趋势,保证模型可以记忆历史状态并对未来变化做出推断。
模型输入使用滚动24个月的时间窗口数据,具体包含行业节点的量价特征矩阵和反映行业间紧密程度的月度动态关联边矩阵,用滑动窗口机制生成连续的时序样本输入网络,输出为对下一个月各行业相对市场基准的超额收益预测值,用来作为构建投资组合的直接信号。为了检验模型的稳健性以及泛化能力,依照时间顺序把全部样本严格地分成训练集、验证集和测试集,保证测试集数据完全不会参与到模型参数的迭代中去。训练时用均方误差作为损失函数来衡量预测值同真实值的偏差程度,利用Dropout技术和早停机制来防止模型过拟合,避免模型在训练集上表现好而在未知数据上失败。
为了直观地表现本文构建模型预测性能的优越性,在实证部分选择传统的图卷积网络(GCN)和长短期记忆网络(LSTM)作为基准模型进行比较。从对比样本外预测精度指标可以看出,本文的模型在加入了时空双重特征之后,预测误差明显减小,说明该架构在行业轮动预测任务中具有更高的准确性和实用性。
2.4 策略回测与有效性对比分析
策略回测是检验量化模型是否有效以及是否具有实战价值的重要环节。本节首先建立基于图神经网络模型输出结果的行业轮动策略完整回测框架。具体的构建规则为:以2019年到2024年为完整的回测区间,策略在每个自然月最后一个交易日,利用训练好的图神经网络模型对下期各行业的超额收益进行预测,然后根据预测结果进行降序排列。投资组合的构建严格按照量化纪律来执行,选择预测收益率排名前20%的行业作为当月持仓标的,采用等权重配置的方式来避免单一行业权重过大而引起的风险。组合在每月的第一个交易日进行调仓,考虑到交易摩擦成本的影响,单边手续费设为A股行业基金交易的千分之一点五,力求与真实市场环境接近。
为了客观地评价策略的表现,本文选用了年化收益率、最大回撤、夏普比率和胜率等关键绩效指标,把本文所构建的策略同全行业基准指数、动量轮动策略、基本面因子轮动策略这三种具有代表性的基准策略进行横向比较。通过逐一比对各个指标,就可以准确地量化出策略在风险调整之后收益和风险控制方面所表现出来的好坏。另外还绘制了全回测区间内净值走势曲线图,能够很直观地看到各个策略的累计收益变化过程。实证分析表明,本文策略的净值曲线一直呈上升趋势,且比各类基准策略有明显的超额收益优势,说明基于图神经网络的行业轮动策略在捕捉行业轮动规律方面是有效的、可行的。
2.5 策略稳健性检验与收益来源归因
为了对基于图神经网络的行业轮动策略进行全方位的评价,本节先对其展开多角度的稳健性检验,用以检验策略在参数发生变化时是否具有较强的适应性和稳定性。实验中逐一改变行业分类标准、调仓频率、历史输入窗口长度以及交易手续费设置这些主要的变量。用不同的行业划分体系来比较策略的表现,检验模型对行业逻辑界定变化的敏感度;调节调仓频率和历史窗口长度来测试模型在不同的时间颗粒度和信息依赖度下的有效性;增加手续费假设来模拟真实市场环境下的交易摩擦,保证策略收益在扣除成本后仍然有明显的优势。一系列的对照实验证明,策略的优良表现并没有因为参数的细微调整而出现大幅度的下降,从而证明了其在各种市场环境和交易条件下的稳定性。
在确定策略稳健性之后,再对收益来源进行深层次的归因分析,从而找出超额收益的驱动因素。首先使用夏普风格因子回归模型把策略收益分解成市场Beta、规模风格、价值风格和行业风格因子的贡献。该过程可以有效地把市场系统性收益和特定风格因子的被动收益分离开来,准确地识别出图神经网络模型主动选股所产生的Alpha收益。其次用消融实验去探究模型内部各个部分的作用。实验分别去掉多维度关联边、三类节点特征、时空图神经网络架构,查看策略收益的变化情况。结果表明,多维度关联边较好地体现了行业之间隐性的传导逻辑,节点特征包含了大量的基本面以及量价信息,时空架构很好地利用了历史时序数据的变化规律。本节明确各核心要素对超额收益的具体贡献度,证明策略收益不是偶然的市场波动,而是有理论支撑的可复制、可持续性,有力地回答了策略在金融科技应用中遇到的主要问题。
第三章 结论
本文用图神经网络技术对行业轮动策略进行了研究,主要结论表明融合多源信息的时空图神经网络模型在A股市场上有很好的样本外有效性和稳健性。把行业之间隐含的关联结构同传统的量价特征有机地结合起来,就可以很好地解决单一因子模型的缺点。在实证回测过程中,模型不仅在正常的市场行情下有稳定的超额收益能力,而且在市场结构发生调整的时候,能够通过捕捉行业节点之间的动态关联特征,及时调整权重配置,从而证明该技术路径在量化投资中具有实际的应用价值。该成果证明图神经网络可以有效地提取金融市场高维非线性特征,给投资决策提供更加科学的量化依据。但是,本研究在样本覆盖范围、风险建模深度等方面还存在一些不足。研究样本只限于A股市场,没有包括境外成熟市场或者新兴市场,使得策略结论不具有普遍性;在关联图的建立过程中,没有考虑到行业之间的突发性风险关联场景,使得模型在应对极端黑天鹅事件时的抗压能力还需要进一步验证。针对以上不足,今后的研究可以从两个方面展开:第一,引入异质图神经网络,用不同类型的关联边来解释资金流、产业链等异质性因素对轮动逻辑的不同影响,从而提高模型的解释力;第二,把宏观经济变量当作外部信号嵌入关联图建模,提高策略在极端行情下的宏观适配性。经过这些方向的不断探索,有望形成一种更加稳健、有预见性的智能投研体系。
参考文献
[1]孔令丰. 基于不确定关系网络的股票预测研究[D]. 中央财经大学, 2022.
[2]丁卿纯. 基于机器学习的多因子量化选股策略设计[D]. 中南财经政法大学, 2021.