【专题研究】融合基本面信息ASTGNN因子挖掘模型

文章预览

核心观点 新模型改进方案 本文使用一些量价和基本面数据作为输入，通过优化风险因子与收益率之间的R-square、风险因子自相关系数和风险因子间的膨胀系数来训练RNN+GAT模型生成风险因子，并利用所生成的风险因子来计算图模型中的邻接矩阵，以期更精确的度量交易日截面上个股之间的相似度关系。 考虑到高频量价数据集与长周期数据集天然的低相关性，并且长周期数据所蕴含信息对预测短期收益率也有一定的能力，因此我们加入长周期数据集，以给全模型提供信息增量，从而进一步提升最终生成因子的选股效果。 单数据集上实验结论 整体来看，今年以来各个数据集中，数据集week和lfq_monthly表现最好，超额均超过了20%，且相对往年不产生最大回撤。 长周期数据集与其他数据集相关性较低，其中lfq_monthly因子相关性均低于0.5，这意味着通过引入 ………………………………