【华安证券】量化研究系列报告之十六：探索股价动态关联，捕捉属性敏感的动量溢出.pdf

2024-03-21

31页

2MB

1 动量溢出效应，普遍存在却难以量化

在股票市场中，相关公司之间存在“动量溢出”，即一家公司股价趋势往往会受到与其关联的公司的影响。在传统研究领域，我们一般通过产业链、概念板块等预定义好的关系寻找与领先上涨公司相关的关联公司。例如，A、B、C 为关联公司，若 A 上涨，则认为 B 和 C 有较大的概率会跟涨。这种做法简单直接，但容易忽视 B、 C 公司和 A 公司其他属性的差异，即很难将公司 B、C 本身的属性（如估值、换手、资金流等）相结合去量化公司 A 上涨对公司 B 和公司 C 的影响程度。

在神经网络出现后，我们可以通过图神经网络（Graph Neural Network，GNN），将公司认为是图结构的“节点”，公司之间的关系为图的“边”，从图结构数据中学习每个邻居公司对中心公司的影响程度，并通过输入预定义的公司关系邻接矩阵来聚合节点的邻居信息，也就是说，图中的每个节点（中心公司）的状态表示为邻居（关联公司）状态的聚合。然而，传统的 GNN 模型，如 GCN（Graph Convolutional Network）、GAT（Graph Attention Network），虽然聚合了邻居节点（公司）的信息，但考虑的层面只限于“邻居”，没有深入到“邻居的每个属性”，即并未考虑到邻居公司不同属性的差异，而在实际的股票市场中，关联公司的属性本就是动态变化的，他们之间的相互影响是属性敏感的。例如，图表 1 中的公司 B 和公司 C 是公司 A 的关联公司，公司 A 出现了 6% 的大幅下跌，公司 B 和公司 C 预期会下跌吗？观察公司 A 本身，其估值达到了 50 倍，且交易量很小，换手率仅 0.1%，则： (1) 对于关联公司 B 而言，其估值仅 10 倍，价格本身可能被低估了，如果 A 公司的下跌是杀估值，那么其异常价格下跌可能不会溢出到公司 B； (2) 关联公司 C 和公司 A 的估值和交易活跃度类似，属性相似性极高，那么 A 的下跌蔓延到公司 C 的概率较高。

此外，传统图神经网络（GNN）的大概原理是先学习邻居表示，然后对相关的邻居公司的状态进行聚合，这里有两个关键点：图的基本结构（哪些节点是相互连接的）、边的强度。边的强度上，GCN 等权聚合每条边的信息，而 GAT 在通过注意力机制学习每条边的重要性。图的基本结构上，即哪些节点是相互连接的，GCN、GAT 都需要输入这个图的骨架，因为聚合的时候往往会依赖于这个骨架，一般做法是我们预定义一个公司关系的邻接矩阵（用0,1表示），告诉模型哪些节点是相互连接的，然后根据这个矩阵去聚合邻居的信息，如上游供应商、下游客户、竞争者、行业或板块等显性的公司之间的关系。显然，这些关系倾向于是低频变化甚至是静态的，而属性状态是通过各种公司关系传播的，除了这些预定义的静态的显性关系，还应与宏观环境、市场走势、风格、投资者认知与交易习惯有一定关联，是随时间而变化的，仅限于几种预定义关系会不可避免地引入噪声，从而误导股票预测。如，我们常说的价值 vs 成长、小盘 vs 大盘，在市场上行时，投资者的风险偏好较高，在小盘成长类型的股票中的溢出效应就会更加明显，静态关系很难捕捉到这层隐藏传播线。

2 特征驱动下的动量溢出模型

要处理股票较属性敏感的动量溢出，同时解决“预定义关系”难以实时反映公司动态关系的问题，最后达到预测股价趋势的目的，本文设计了包含截面特征处理（特征融合）、时序特征处理（序列嵌入）和考虑属性敏感的动量溢出（属性溢出图） 3 大模块的模型。

2.1 特征高维融合捕捉非线性的特征交互效应

在因子模型中，我们会通过不同类型的指标去预测股价走势，如量价数据、基本面为主的传统因子、文本因子等，传统做法是将不同类型的特征连接到一个超级向量中作为预测模型的输入，这不可避免地会忽略它们之间的内在关联，尤其是不同类型的特征相结合的时候，如高频量价（市场行为）与中低频基本面因子（财务指标）。因此，我们在预测模型之前嵌入捕捉不同特征交互作用的“特征融合”模块，其目的是寻找两种不同类型的数据之间的隐藏连接，以揭示它们是如何相互作用的，然后生成更丰富的表示-“交互特征”，然后将“交互特征”和原始输入特征一起作为预测模型的输入。

2.2 序列嵌入：时序特征的提取

前边我们生成了单时间截面的融合特征，鉴于股票市场是一个受历史数据影响的复杂动态系统，为了进一步提升趋势预测的准确性，我们需要综合考虑历史特征的影响，利用时间序列分析、滑动窗口等技术提取和整合过去时间点的数据。通过这样的处理，可以捕捉到市场趋势的演变和周期性模式，从而为模型提供更为丰富和深入的历史上下文信息，增强其预测未来市场动态的能力。常用的处理时间序列依赖性的模型为 RNN 及其变体，如 LSTM（长短期记忆）、GRU（门控循环单元）。在本研究中，我们选择了单层 GRU 单元来提取特征的序列信息，将特征融合阶段生成的“融合特征”输入 GRU 模块，得到“序列特征”。

2.3 属性敏感的动量溢出网络图

通过前边两部的处理，我们可以得到每只股票每个时刻的时序特征（序列嵌入），这里的不同公司间的“时序特征”是独立的，相互无影响。然而，我们前边提到，实际市场中相关公司之间存在动量溢出效应，关联公司之间的属性是会相互作用的，公司间的关系是动态变化的，因此我们需要利用这些特性去更新得到的“时序特征”，然后进行股价趋势预测。我们借助图神经网络完成这一过程，如我们在第一部分中提到的，根据现有的图结构（如 GCN、GAT）很难达到我们的目的，因此我们需要重新设计网络结构，这一过程有两个难点：一是如何设计恰当的网络来处理属性敏感的动量溢出效应；二是如何找到一种恰当的关系以描述存在动量溢出效应的公司对。

2.3.1 如何设计恰当的网络来处理属性敏感的动量溢出效应

对于第一个问题，如何设计恰当的网络来处理属性敏感的动量溢出效应，也就是公司?的属性（如价格异常下跌）是否可以以及如何传导到关联公司?？

(1) 基础网络图的选择

在建模股票市场及公司间关系时，图神经网络（GNN）是一种流行方法，把市场视为图，其中公司作为节点，每个节点（公司）拥有一系列特征，公司间的联系通过预定义好的关系邻接矩阵表达。我们以最简单的图卷积网络（GCN）为起点进行建模。GCN 的核心思想是利用边（关系）的信息对节点（公司）信息进行聚合从而生成新的节点表示，对于每个节点均要考虑其所有邻居节点的特征信息。图表 9 展示了使用平均函数对节点特征进行变换的 GCN 结构示意图，首先通过聚合邻居节点的特征信息来更新中心节点的特征表示，然后对聚合得到的特征进行一个线性变换，最后经过激活函数得到转换后的特征表示。

(2) 如何处理属性的重要性不平衡的问题？

在基本的 GCN、GAT 模型中，对于中心节点来说，区别只是在于每个邻居公司的权重（重要性）是否相等，无法照顾到公司间属性本身的差异，也就不能很好的处理真实市场中公司间属性的传导过程。如图表 10 所示，公司?为中心公司，?为关联的邻居公司，?的价格异常下跌 20%，那么公司?的这一信息后续会传导到公司?，导致?公司后续的价格下跌吗？在传统的 GNN 中，?的异常价格下跌这一属性很可能会波及公司?，然而在真实市场中可能并非如此，公司?的价格下跌只伴随着较小的交易量，同时，公司?的估值较低，价格可能被低估，下跌的可能性较小。由此可见，由于关联公司间的属性差异，在分析关联公司的股价间的领先-滞后效应时，还应考虑他们之间本身属性的差异性，而传统的 GNN 模型难以模拟邻居公司?对中心公司?的动量溢出效应。

2.4 动态模拟动量溢出的股价预测网络（DAM-GAT）

综上，我们完成了整个股价预测网络图的构建，包含三大模块：特征融合、序列嵌入、动量溢出图，我们将整个模块被命名为 DAM-GAT，DynamicAttribute-Mattered GAT。

3 DAM-GAT 模型的性能评估

为了衡量所提出的预测股票走势框架的有效性，我们对 2017 年 9 月 30 日至 2023 年 12 月 29 日沪深两市的股票进行了一系列实验。由于模型涉及到关联关系模型的构建，且该关系是动态变化的，因此我们季频滚动训练模型，每个季度训练一次模型。每个训练期、验证期和测试期构成一个模型周期。具体而言，训练集为 2 年（8 个季度），验证集为随后 1 个季度，测试集为验证集后 1 个季度，分配比例为 8:1:1，打乱训练期的数据，测试数据有效期为 20191231—20231229，共 4 年，在指定区间内完成单目标预测累计需训练模型 16 次。注：验证集需留出预测长度的间隙，如，验证期为 20230630-20230928，预测的是未来 5 日的涨跌，则验证集应该调整为 20230928 倒推 5 日至 20230921，以保证验证集的标签均属于验证期内，防止数据泄露。

3.1 多频特征融合与公司关系网络

模型的第一部分“张量融合”模块可处理多态、多类型的数据，而“动量溢出” 一般是财务数据或者新闻驱动价格的变化在关联股票中形成价格的领先-滞后关系。由于新闻文本数据的可获得性和文本数据 embedding 的工程量较大，本文以量价数据+传统因子相结合进行主要测试。量价数据包含高开低收比率、日内振幅和换手率共 6 个指标，传统因子采用合成因子，包含成长、价值、规模、流动性、动量、分析师 6 类共 7 个合成因子，数据频率均为日频。这种高频量价数据和中低频基本面因子的结合，在一定程度上可缓解高频量价因子的拥挤程度。

作为对比测试组，需要输入预定义好的公司关系矩阵，我们整理了 4 类常见的公司关系，行业类别、竞争对手、客户和供应商，公司关系用 N*N 的邻接矩阵表示（N 为上市公司数量），如果两家公司之间存在联系，则矩阵中相应的元素值为 1，否则为 0。以供应商关系为例，目标公司为 A，若公司 B、D 为 A 的上游供应商，则公司 A 所在行的 B、D 列为 1。

对于输入特征和标签 y 的预处理逻辑见图表 19：股票预测目标（y）大致可分为：二元预测涨跌、预测相对涨跌幅、排名得分，对于不同的任务，对 y 的处理方法不同，本文以预测“排名得分”为主；对于特征（X）的处理，由于我们预测的是股票的相对涨跌情况，因此我们在每个时间截面，对量价数据进行缺失值填充、去极值、去中心化处理（指标-均值）；对传统因子依次进行缺失值填充、去极值、z-score 标准化。

在每个模型周期，股票池的选择如下： (1) 沪深两市的股票，剔除北交所股票； (2) 剔除在训练期初或者训练期末（非验证期或者测试期）被特殊处理（ST、 *ST、退市整理等）、ST 或*ST 摘帽不足 6 个月、过去一年的日均成交金额在全市场后 10%的股票； (3) 剔除训练期间存在连续 10 个及以上交易日无交易的股票。

3.2 模型参数设置概览与训练效率

综合考虑模型的显存占用、训练速度和训练效果，本篇报告中涉及的超参设置如图表 21。在第一部分的特征融合模块，由于原始量价数据和传统因子的维度分别为 6 和 7，融合后的输出维度设置为 4；序列特征生成模块（GRU 层），采用单层网络，若预测未来 5 日的收益，则选择过去 30 日的数据，若预测未来 20 日的收益，则选择过去 100 日的数据；在处理属性溢出图时，门控机制的隐藏层的维度设置为 16 和 32，注意力头数为 6。在其他参数设置上：学习率为 1e-4~5e-4，不同的模型期根据其训练集和验证集的损失函数的走势做适当调整，同时，根据评估指标调整学习率，若连续 10 个 epoch 评估指标都无优化，则学习率下降为原来的 0.8；优化器为 Adam，每 64 个样本进行一次梯度下降。模型精度设置上，采用混合精度模式，GradScaler 与 autocast 相结合。在防止过拟合上，使用了（1）L2 正则化；（2）由于我们的网络较宽，采用 dropout 机制（p=0.2）；（3）早停机制，若验证集损失连续无下降，则停止训练。

损失函数根据任务类别适配，若预测的是截面 IC，则预测任务属于回归，损失函数为 IC（RankIC 不可反向传播）；若预测的是涨跌，预测任务为分类，损失函数为交叉信息熵（CrossEntropyLoss），评估函数为 AUC。

本文的模型在 NVIDIA GeForce RTX 4090 进行训练，根据上述的设置，以预测 IC 为例，采用特征融合+GRU+属性溢出图（DAM-GAT）预测股票的收益情况，对于单次训练，若股票数量为 3200 只，hidn_atten 设置为 32，则训练一个 epoch 耗时约 5 分钟，显存占用最大值为 20G，若迭代 120 个 epoch 达到目标，则单个训练周期耗时 10 小时，20 个模型周期下来需要 8.3 天。因此，为了提升训练效率，我们在后续大部分训练周期的 hidn_atten 设置为 16，这样 3200 只股票耗时能节省至 7 小时。股票数量最少的一期（1600 只），一个 epoch 需 1.5 分钟完成，迭代 120 次耗时约 3 小时，显存占用峰值为 5G 左右。在全部 16 个模型周期，股票数量均值为 2800 只，累计至少 3.3 天完成模型训练与预测。

3.3 探索特征融合与属性溢出图的有效性

DAM-GAT 模型整体分为 3 个模块，我们通过控制变量法检验特征融合和属性溢出图模块的有效性，对比模型为常用的基线模型。测试两个预测周期，2023 年 Q3 （2023.6.30-2023.9.30）、Q4（2023.9.30-2023.12.29），测试结果包不同模型下验证集和测试集的损失、预测因子的表现。测试要点：输入特征为高频量价数据+传统因子，预测未来 5 日的收益情况，输出为 pred5d，损失函数为 IC；每个季度所有模型采用相同的随机种子；为了测试的稳健性，在 3 个不同的随机种子下进行测试，即每个季度、每个模型分别在 3 个不同的随机种子下跑一次，以消除随机初始化引起的波动。

单因子检测时，由于我们每个模型只进行了三种随机数测试，因此我们等权取 3 次运行的结果，参数如下：股票池：沪深交易所股票，剔除上市不足 90 天、ST、*ST、停牌、ST 或 *ST 摘帽不足 30 天的个股。因子处理：去极值、zs 标准化、行业市值中性化（中信一级）。交易处理：考虑涨跌停、停牌等行为导致的交易可行性。费用：考虑到调仓频率较高，故考虑费用的影响，双边千三。基准：全 A 等权，上市超过 10 个交易日，非特殊处理。

3.3.1 “特征融合”模块的测试结果

首先，测试特征融合模块的有效性，对照组的预测输入为原始特征直接连接，序列嵌入依然采用 GRU 模型，属性溢出图部分为动态推断关系+AM-GAT 模型组合（DAM-GAT），包含两个模型：Mix-GRU-AMGAT-Infer(DAM-GAT)和 GRU-AMGATInfer。

3.3.2 “属性溢出图”模块的测试结果

在整个属性动态溢出模块包含两个部分，基于属性溢出图模型（AM-GAT）和公司关系的构造模型（预定义 Predefined、推断 Infer）。在测试 AM-GAT 的有效性时，对照 Graph 模型为直接预测 none、GCN 和 GAT（涉及的参数与 AM-GAT 保持一致），特征融合部分为“Mix”模式，同时输入预定义的 4 类公司关系（行业、竞争对手、客户和供应商）。

在公司关系模型，分别测试考虑预定义（Predefined）和推断（Infer）公司关系两种模式，特征融合部分为“Mix”模式，Graph 为 AM-GAT。

结果表明，动态推断模式下（Infer）的模型表现略好于采用预定义好（Predefined）的公司关系邻接矩阵，说明模型可以动态学习公司关系，减少对公司关系数据的需求： (1) AM-GAT（Mix-GRU-AMGAT-Predefined）在验证集和测试集的损失均值小于其他模型的损失均值，无论 Q3 还是 Q4，Q3 分别为 0.9227、0.8684， Q4 分别为 0.8306 和 0.8728； (2) AM-GAT 在 Q4 的优势较明显，而 GAT 模型在 Q4 的表现出现了较大的波动，整体预测效果欠佳，在 Q3 的验证集、Q4 测试集和验证集的损失值均为最大； (3) Infer 模式下的 RankIC 略低于 Predefined（9.7%vs9.5%），但更稳定（ICIR 9.4 vs 8.0），收益端略好 0.41%，调仓超额均值提升了 0.02%至 0.16%。

总结而言，DAM-GAT 模型的表现整体更好，特征融合（Mix）相对简单拼接有增量贡献，图模型中的 AM-GAT 相较于传统的 GCN 和 GAT 模型表现更优，采用推断关系（Infer 模式）略好于使用预定义好的公司关系矩阵。

3.3.3 衍生探索：任务类别与输入的影响

(1) DAM-GAT 做分类预测的效果如何？

在前文中，DAM-GAT 模型预测类型为回归，那么其是否适合用来做分类预测呢？我们同样在 Q3、Q4 进行了分类预测，预测值为未来 5 日相对上涨的概率 ????_??5?，损失函数为交叉信息熵（CrossEntropyLoss），评估函数为 AUC。分类预测结果如下，我们虽然????_????也有一定的预测能力，Q3、Q4 的测试集的 AUC 分别为 0.55、0.54，准确率 ACC 分别为 0.54 和 0.53，但从因子表现看，????_???? 的稳定性显著差于??????。

(2) DAM-GAT 输入特征的选择

鉴于“特征融合”模块适合处理多类型、多模态数据，而且高频量价策略越来越拥挤，所以前述测试的输入特征均为量价数据+以基本面为主的传统因子，但我们不确定输入的传统因子是否对模型有边际贡献，因此我们分别测试以下三种情况：（1）只采用量价数据（量价）；（2）传统因子换成新闻情绪数据（量价+新闻）；（3）同时考虑量价数据、以基本面为主的传统因子和新闻数据（量价+传统+新闻）。其中，新闻数据来源于数库的新闻数据库，数据是通过爬虫涉及 A 股上市公司的新闻得到，然后分析个股在新闻中的情绪得分，根据数库的测算 35%的新闻会提及 A 股上市公司，每日新闻覆盖 A 股上市公司 1800+，中证 800 的覆盖度约 80%。

4 DAM-GAT 模型的收益预测能力

前一章节表明了 DAM-GAT 模型的有效性，接下来，我们使用该模型完成更长周期的预测。预测周期为 2020.01.01-2023.12.29 （数据周期为 2017.9.30- 2023.1.29），共 4 年，16 期，输入为高频量价+传统因子，预测类型为回归。基准为全 A 等权，剔除上市不超 10 个交易日、特殊处理的股票。

4.1 ??????因子在全域的表现

首先在全域对预测未来 5 日收益的预测因子（??????）进行单因子检测，由于在生成预测因子的时候用到了传统因子数据，因此我们将成长、价值、规模、流动性、动量、分析师 6 类因子等权合成传统大类因子，????，作为参考组。周频调仓下，??????和传统因子????的表现见图表 45-图表 48，??????因子整体表现出色。 (1) 行业市值中性化后，????5?的 Rank IC 较????提升了 1.3%至 6.8%，ICIR 为 7.39，IC 周胜率 88.2%； (2) 十分组严格单调，多头平均每 3.3 周换完仓，费后多空年化超额 41.09%，多头年化收益 24.11%，相较全 A 等权的超额 13.43%，较????年化提升了 10%，多头周胜率 56.2%； (3) 分年度看，2020-2023 连续 4 年均取得了正超额，分别为 17.64%、22.5%、 13.6%和 4.6%； (4) 虽然我们的预测标签是在横截面进行标准化的收益排名，并未将行业市值的影响从标签中进行剥离，但非中性化的????5?表现并无明显提升，反而稳定性出现了下降，进一步验证了预测模型的有效性； (5) pred5d 和 fund 因子的截面相关性仅 0.21。

周频调仓模式下，多头组平均需要 3.3 周换完仓，如果把调仓频率降低为双周调仓和月度调仓，随着调仓频率的降低，因子的收益有所下降。从周频降到双周频，多头双周换手率均为 52%，RankIC 提升了 1%，IC 胜率提升了 3 个点，但收益下降了 3.5%；从双周频再降低至月频，多头月换手率 56%，RankIC 不再提升，年化收益继续下降了 1%。说明模型的预测周期（因子频率）和调仓频率出现较大的 Gap 时，会降低预测因子的有效性。

4.2 ??????因子在不同指数域的边际贡献

为了检验????5?因子对不同指数域的表现和边际贡献，我们分别测试前边构造的????5?因子、传统合成因子（????）、????5?与????等权合成因子????_????在沪深 300、中证 500、中证 1000、国证 2000 指数域的表现，调仓频率为周频。在所有指数域，??????因子在所有指数域都有一定的选股能力，在中小市值股票池的表现尤其出色，在传统因子????中叠加??????后无论收益还是稳定性都明显提升。

中证 500 增强组合的表现较沪深 300 略有提升，年化超额收益 8.55%，月超额均值提升了 0.16%，超额最大回撤-7.82%，信息比 1.3；分年度表现来看，策略超额稳定，在所有年份都取得了正超额。

????5?因子在中证 1000 的表现突出，中证 1000 增强组合的年化超额收益 12.08%，月超额均值 0.213%，信息比 1.8，超额最大回撤-9.27%；分年度表现来看，策略在 2020 年表现欠佳，超额仅 2.9%，其余年份超额稳定。

基于国证 2000 的????5?增强组合年化超额收益 11.08%，月超额均值 0.19%，信息比 1.6；分年度表现来看，策略主要在连续 4 年都取得了正超额，近两年超额分别为 14.35%、12.73%。

5 总结

在股票市场中，一家公司股价的变化可能影响与其关联的其他公司股价，即动量溢出效应普遍存在，但很多传统方法却很难精准取量化这种传播。如 GCN、GAT 虽然聚合了关联的信息，但忽略了属性的差异性，关联公司之间的影响属性是非常敏感的。同时，传统方法多依赖预定义关系，这种低频变化甚至是静态的，很难实时反映公司关系的变化。本文通过 DAM-GAT 处理股票间属性敏感的动量溢出，并通过主动学习建立连接各个公司的动态关联网络。DAM-GAT 相对传统的 GNN 而言，主要有两点改进：（1）考虑属性的特点，增加门控机制，为不同邻居的不同属性分配不同的权重，解决属性敏感的问题。GCN 和 GAT 均未考虑属性差异，GCN 邻居同权重，GAT 邻居学习不同权重。（2）采用无掩码注意力机制推断关系间的关联矩阵，考虑每个邻居节点，自动学习权重，GAT 采用的是有掩码的注意力矩阵，需要输入预定义关系，根据预定义关系选择邻居。与此同时，在特征部分，引入了张量融合生成了能反映不同类型的特征在高维空间进行交互作用的“交互特征”。

通过对比测试表明，DAM-GAT 模型展现出对股票趋势预测的高效性。特征融合模块提高了预测准确性，而在属性溢出图模块中，AM-GAT 对比传统 GCN 和 GAT 显示出更优越的效果。推断（Infer）模式在处理公司间关系时略胜一筹，表明模型能够自动识别并学习公司间的动态关系，从而减少对静态公司关系数据的依赖。 DAM-GAT 模型展现了一定的收益预测能力，2020-2023 年，基于高频量价与传统因子预测的股票未来 5 日的收益因子（pred5d）在不同市值指数域的都有选股能力，尤其在中小市值股票中表现出色。周频调仓模式下，pred5d因子在全域的Rank IC 为 6.8%，ICIR 为 7.39，IC 周胜率 88.2%，费后多空年化超额 41.09%，多头年化收益 24.11%，相较全 A 等权的超额 13.43%，连续 4 年均取得了正超额，分别为 17.64%、22.5%、13.6%和 4.6%。从指增策略的表现看，基于 pred5d 的指增策略在沪深 300、中证 500、中证 1000、国证 2000 的年度超额分别为 5.17%、8.55%、 12.08%和 11.08%。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）