基于图神经网络的量化因子挖掘与组合技术 — 深度调研报告

调研日期：2026-05-26 所属域：quant+agent 关键词：图神经网络、量化因子、Alpha 挖掘、股票预测、因子组合、GNN、GAT

第一部分：概念剖析

1.1 定义澄清

通行定义

基于图神经网络的量化因子挖掘与组合技术，是指利用图神经网络（GNN）对股票市场中复杂的关系结构（如行业归属、产业链关联、资金共持、收益率相关性等）进行建模，从图结构中自动学习高阶非线性特征（即"深度因子"或"图因子"），并通过注意力机制或动态加权策略对多源因子进行自适应组合，从而提升股票收益预测能力和投资组合表现的技术体系。

常见误解

1. 误解一：GNN 因子挖掘就是"用 GNN 替代传统线性因子模型" 事实：GNN 不是替代而是补充。传统多因子模型（如 Fama-French、Barra）提供结构化的风险暴露框架，GNN 在此基础上捕获非线性残差和交互效应，二者是互补关系。

2. 误解二：股票图构建只需要用相关系数矩阵即可 事实：简单的 Pearson 相关系数矩阵噪声极大且不随时间演化。前沿方法采用动态自适应图（如 Boltzmann 分布生成）、异构图（多类型节点和边）以及语义关系图（基于新闻共现）来构建更鲁棒的图结构。

3. 误解三：GNN 输出的"深度因子"可以直接替代人工因子 事实：GNN 输出的是高维节点嵌入向量（如 64 维），它综合了多源关系信息，但在可解释性方面远不如传统因子。实际应用中通常将其作为补充因子与传统因子共同建模。

边界辨析

1.2 核心架构

┌──────────────────────────────────────────────────────────────────┐
│               GNN 量化因子挖掘与组合系统架构                       │
├──────────────────────────────────────────────────────────────────┤
│                                                                  │
│  ① 图构建层                                                      │
│  ┌────────────────────────────────────────────────────────┐      │
│  │ 行业图 │ 相关性图 │ 产业链图 │ 基金持仓图 │ 语义关系图 │      │
│  └──────────────────────┬─────────────────────────────────┘      │
│                         │ 多图融合                                │
│                         ▼                                        │
│  ② 图学习层（GNN 编码器）                                         │
│  ┌────────────────────────────────────────────────────────┐      │
│  │  GCN/GAT/Graph Transformer → 消息传递 → 节点嵌入 h_i   │      │
│  └──────────────────────┬─────────────────────────────────┘      │
│                         │ [h_1, h_2, ..., h_n]                   │
│                         ▼                                        │
│  ③ 因子生成层                                                    │
│  ┌────────────────────────────────────────────────────────┐      │
│  │  原始因子{f_i} + 图嵌入{h_i} → 深度因子 f'_i           │      │
│  └──────────────────────┬─────────────────────────────────┘      │
│                         │                                        │
│                         ▼                                        │
│  ④ 因子组合层（动态加权）                                           │
│  ┌────────────────────────────────────────────────────────┐      │
│  │  注意力加权 │ 风险调整 │ 时序融合 → 复合因子 F_i       │      │
│  └──────────────────────┬─────────────────────────────────┘      │
│                         │                                        │
│                         ▼                                        │
│  ⑤ 预测与回测层                                                   │
│  ┌────────────────────────────────────────────────────────┐      │
│  │  收益率预测 │ 组合优化 │ 回测验证 │ IC/IR 分析          │      │
│  └────────────────────────────────────────────────────────┘      │
│                                                                  │
└──────────────────────────────────────────────────────────────────┘

各层职责说明：

• 图构建层：基于行业分类、收益率相关、产业链关系、机构共同持股、新闻共现等维度构建多视角股票关系图
• 图学习层：通过消息传递机制将邻居节点的信息聚合到目标节点，生成包含上下文信息的节点嵌入
• 因子生成层：将传统因子与图嵌入融合，产生表达能力更强的深度因子
• 因子组合层：利用注意力机制或自适应权重对不同因子进行动态加权组合
• 预测与回测层：基于复合因子进行收益预测并回测验证因子有效性

1.3 数学形式化

公式 1：图卷积层（核心消息传递机制）

其中 $\mathcal{N}(i)$ 是股票 $i$ 的邻居集合，$\hat{d}_i$ 是带自环的度，$\mathbf{W}^{(l)}$ 是可学习权重矩阵。该公式定义了信息如何在股票之间沿关系边传播。

公式 2：图注意力机制（自适应关系权重）

注意力系数 $\alpha_{ij}$ 量化了股票 $j$ 对股票 $i$ 的相对影响力，模型自动学习哪些关系更重要。

公式 3：信息系数（IC）— 因子评价核心指标

IC 衡量因子 $f$ 对股票 $i$ 在时间 $t$ 的取值与下一期收益率 $r_{i,t+1}$ 之间的秩相关系数。RankIC > 0.1 通常被认为是有预测力的因子。

公式 4：动态图邻接矩阵学习

动态图结构不再依赖先验知识，而是从股票特征 $x_i$ 中通过可微方式学习邻接矩阵 $A_{ij}$，使图结构随市场状态自适应变化。

公式 5：端到端组合优化损失函数

直接将组合权重 $w$ 作为 GNN 输出的函数，以夏普比率为优化目标，实现因子挖掘到组合构建的端到端训练。

1.4 实现逻辑（Python 伪代码）

import torch
import torch.nn as nn
import torch_geometric.nn as pyg_nn

class GNN_FactorMiner(nn.Module):
    """基于GNN的量化因子挖掘与组合模型"""
    def __init__(self, num_features, hidden_dim=64, num_heads=4):
        super().__init__()
        # 图注意力层：捕获股票间关系
        self.gat1 = pyg_nn.GATConv(num_features, hidden_dim, heads=num_heads)
        self.gat2 = pyg_nn.GATConv(hidden_dim * num_heads, hidden_dim, heads=1)
        # 时序编码器：建模股票自身时序模式
        self.gru = nn.GRU(hidden_dim, hidden_dim, batch_first=True)
        # 因子组合层：自适应加权多因子
        self.factor_attention = nn.MultiheadAttention(hidden_dim, num_heads=4)
        # 输出预测头
        self.predictor = nn.Linear(hidden_dim, 1)

    def forward(self, x_seq, edge_index, dynamic_edges=None):
        """
        x_seq:    [batch, T, N, F]  多时间步特征
        edge_index: [2, E]          股票关系图边索引
        """
        batch_size, T, N, F = x_seq.shape
        outputs = []

        for t in range(T):
            x_t = x_seq[:, t, :, :].squeeze(0)  # [N, F]

            # Step 1: 图消息传递（横向聚合）
            edge_weight = self._compute_dynamic_weights(x_t, dynamic_edges)
            h = self.gat1(x_t, edge_index, edge_weight)
            h = torch.relu(h)
            h = self.gat2(h, edge_index, edge_weight)  # [N, D]

            # Step 2: 因子增强：融合传统因子与图嵌入
            h = self._factor_enhancement(h)
            outputs.append(h)

        # Step 3: 时序建模
        h_seq = torch.stack(outputs, dim=0)  # [T, N, D]
        h_seq, _ = self.gru(h_seq)

        # Step 4: 因子组合加权
        h_final = h_seq[-1]  # 取最后时间步
        combined, attn_weights = self.factor_attention(h_final, h_final, h_final)

        # Step 5: 收益率预测
        pred = self.predictor(combined)  # [N, 1]
        return pred, attn_weights

    def _compute_dynamic_weights(self, x, dynamic_edges):
        """基于当前市场状态动态计算边权重"""
        if dynamic_edges is None:
            return None
        # 用当前特征计算自适应边权重
        return torch.softmax(torch.mm(x, x.t()), dim=-1)

    def _factor_enhancement(self, h):
        """融合传统先验因子与GNN学到的图结构因子"""
        # 实际实现中可拼接或门控融合
        return h

    def compute_ic(self, pred, future_return):
        """计算信息系数用于因子评估"""
        from scipy.stats import spearmanr
        pred_np = pred.detach().cpu().numpy().flatten()
        ret_np = future_return.detach().cpu().numpy().flatten()
        ic, _ = spearmanr(pred_np, ret_np)
        return ic

1.5 性能指标

1.6 扩展性与安全性

水平扩展

• 多GPU分布式图训练：采用图分区技术（如 METIS 分区），将大规模股票图切分为子图分配到不同 GPU 节点，支持数千只股票的图学习
• 增量图学习：新股票加入时，无需重新训练全图，通过归纳式 GNN（Inductive GNN）结构，只更新局部邻居关系
• 异步消息传递：针对中国 A 股全市场（约 5000 只股票），可采用邻居采样技术（Neighbor Sampling），每批次仅采样固定数量的邻居节点

垂直扩展

• 模型精度上限：GNN 层数通常不超过 3 层（过深会导致过平滑问题），单节点的提升空间有限
• 硬件加速：利用 GPU Tensor Core 加速稀疏矩阵乘法，A100 上可将全市场图训练时间压缩至小时级
• 优化方案：采用轻量级 GNN 变体（如 GCN 而非 GAT）可在精度略微下降的情况下获得 3-5 倍速度提升

安全考量

第二部分：行业情报

2.1 GitHub 热门项目

重点项目详细说明

Microsoft Qlib（43.5k Stars）

• 最全面的 AI 量化投资平台，覆盖数据处理→特征工程→模型训练→回测→组合优化→订单执行全流程
• 内置 HIST（图结构框架）、GATs 等 30+ SOTA 模型
• 2025-2026 年新增 RD-Agent 集成，支持 LLM 驱动的自动化因子挖掘
• 数据引擎效率极高：800 支股票 14 个特征仅需 7.4 秒

stock-top-papers（460 Stars）

• 精选股票预测领域顶会论文（KDD, WWW, AAAI, CIKM, NeurIPS 等）
• 按年份、任务、模型、方法四维分类，包含 2025 年最新论文
• 所有论文均附带代码链接，是跟踪 GNN 因子挖掘前沿的重要资源

2.2 关键论文（12 篇）

论文核心发现总结

1. 动态图 > 静态图：2025 年几乎所有 SOTA 论文均采用动态图结构，图随时间演化
2. 多关系融合：单一关系（如行业）已不够，需融合行业+相关性+基本面+语义等多种关系
3. 端到端优化：趋势是从"预测→优化"两阶段转向直接优化组合指标（Sharpe Ratio）
4. 危机鲁棒性：CRISP 等模型证明 GNN 在危机期间可涌现保护性聚类行为
5. 超图与对比学习：FactorGCL 等引入超图建模高阶关系和对比学习提升因子质量

2.3 系统化技术博客（10 篇）

2.4 技术演进时间线

2016 ── GCN (Kipf & Welling) 提出，奠定图卷积理论基础
2017 ── GAT (Velickovic et al.) 提出，注意力机制引入图学习
      └─ 开始有研究将 GCN 应用于股票关系建模
2018 ── 首篇将 GCN+RNN 用于股票预测的工作出现，GCN-LSTM 基线形成
2019 ── 金融异构图（Heterogeneous Graph）概念引入，融合股票/行业/概念节点
2020 ── HIST (Wei et al., KDD) 提出图结构用于股票趋势预测，成为领域标志性工作
      └─ Microsoft Qlib 开源，内置 GATs 等图模型
2021 ── TRA (Temporal Routing Adaptor) 提出，时域适应路由机制结合图网络
2022 ── 动态图 + 对比学习开始在股票预测中兴起
      └─ VGNN 提出"模糊图"概念建模动量溢出效应
2023 ── Transformer + GNN 融合成为主流范式
      └─ Mamba 架构出现，为 2024-2025 Graph-Mamba 混合模型铺路
2024 ── GRU-PFG 仅用因子构建图，IC 达 0.134 超越 HIST
      └─ 东方证券发布 Risk-Attention 因子模型，RankIC 0.106
      └─ GNN 组合优化端到端训练成为新趋势
2025 ── CRISP 危机鲁棒性 GNN，Sharpe 3.76（707% 改进）
      └─ FactorGCL 引入超图 + 对比学习挖掘隐藏因子
      └─ OmniGNN 提出多关系动态图 + 全局节点架构
      └─ 百度 H3M-SSMoEs 发布，超图+专家混合，Sharpe>1.5
2026 ── Qlib 达 43.5k Stars，RD-Agent 集成 LLM 自动因子挖掘
      └─ MARF 提出市场感知关系融合框架，超图+异构图联合建模
      └─ AMN-GNN 利用不可观测信息（公司战略）增强预测
      └─ 持续学习 + 增量图训练成为活跃方向

第三部分：方案对比

3.1 历史发展时间线

2016-2018 ─┬─ GCN/GAT 理论奠基 → 为图结构在金融中的应用建立数学基础
           ├─ GCN-LSTM 基线模型 → 开创时空图网络在股价预测中的基本范式
2019-2021 ─┼─ HIST/TRA 标志性工作 → 证明了图结构对股票预测的有效性
           ├─ Qlib 开源 → 大幅降低了使用 GNN 进行因子研究的门槛
2022-2024 ─┼─ 动态图 + 对比学习 → 打破了静态图的天花板
           ├─ 端到端优化 → 从"预测→配权"两阶段走向一体化
           ├─ GNN + Transformer 融合 → 融合了结构建模与时序建模优势
2025-2026 ─┼─ 超图 + 多关系 + 持续学习 → 进入更深层次的关系建模
           ├─ LLM + GNN 协同（RD-Agent）→ 自动化因子挖掘与图学习闭环
           └─ 当前状态：GNN 因子挖掘已从研究走向机构实践，但仍面临过拟合、可解释性、策略拥挤等挑战

3.2 6 种核心方案横向对比

方案 A：GCN+LSTM（时空图网络基线）

方案 B：GAT+Attention（图注意力+自适应加权）

方案 C：Heterogeneous GNN（异构图网络）

方案 D：Hypergraph GNN（超图网络）

方案 E：Graph-Transformer 混合架构

方案 F：LLM+GNN 自动化因子挖掘

3.3 技术细节对比

3.4 选型建议

选型决策流程图

你有多少数据？
├─ < 3年 → GCN+LSTM（方案 A）
└─ ≥ 3年 → 你想达到什么目标？
            ├─ 快速验证因子 → GAT+Attention（方案 B）
            ├─ 机构级多因子 → 异构图（方案 C）
            ├─ 挖掘隐藏 Alpha → 超图（方案 D）
            ├─ 追求 SOTA → Graph-Transformer（方案 E）
            └─ 全自动化 → LLM+GNN（方案 F）

第四部分：精华整合

4.1 The One 公式

这个公式概括了该领域的核心本质：找到正确的图结构（关系），用正确的方式（注意力）传播信息，同时避免被噪声过拟合和同质化竞争侵蚀收益。

4.2 一句话解释

用费曼技巧说给非技术背景的人：

图神经网络量化因子挖掘，就是让 AI 看一张股票的"关系网"（谁和谁是一个行业、谁的涨跌会带动谁），然后自动找出哪些股票的某种"特质组合"能预测未来涨跌——就像通过分析朋友圈推断谁会成功一样。

4.3 核心架构图

股票数据 ──→ [图构建：5 种关系图] ──→ [GNN 图学习：消息传递 Attention] ──→ [深度因子 h_i]
                    ↑                           ↓                              ↓
             行业/相关/产业链          残差连接 + 时序 GRU             传统因子融合
                    ↑                           ↓                              ↓
             实时市场数据              [自适应因子加权组合] ←─── [RankIC 验证反馈]
                                             ↓
                                      收益率预测 / 组合优化

4.4 STAR 总结

4.5 理解确认问题

问题：如果用 GNN 挖掘出一个 RankIC = 0.15 的因子，但它的 ICIR 只有 0.3，而另一个因子 RankIC = 0.10 但 ICIR = 0.8，在构建实际交易策略时应该优先选择哪一个？为什么？

参考答案： 应该优先选择 RankIC=0.10 但 ICIR=0.8 的因子。因为 ICIR（IC 均值 / IC 标准差）衡量的是因子有效性的稳定性，而稳定性在实际交易中比单纯的高 RankIC 更重要。一个 RankIC 高但 ICIR 低的因子意味着时而有效时而无效（甚至反向），策略回撤大、不可靠；而 ICIR 高的因子虽然平均预测力略弱，但稳定可靠，在实盘中能带来更平滑的收益曲线。优秀的选股策略通常要求 RankICIR > 0.5。

参考文献与数据来源

1. CRISP (2025). Crisis-Resilient Portfolio Management via Graph-based Spatio-Temporal Learning. arXiv:2510.20868.
2. FactorGCL (2025). A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning. arXiv:2502.05218.
3. OmniGNN (2025). Structure Over Signal: Multi-relational GNNs for Stock Prediction. arXiv:2510.10775.
4. GRU-PFG (2024). Extract Inter-Stock Correlation from Stock Factors with Graph Neural Network. arXiv:2411.18997.
5. Extracting Alpha from Financial Analyst Networks (2024). arXiv:2410.20597.
6. NIST-GNN (2025). Quantitative Finance. Taylor & Francis.
7. EP-GAT (2025). Energy-based Parallel Graph Attention Neural Network. IJCNN.
8. Microsoft Qlib. https://github.com/microsoft/qlib
9. stock-top-papers. https://github.com/Waterkin/stock-top-papers
10. SAMBA (2025). Mamba Meets Financial Markets. IEEE ICASSP 2025.
11. Graph Portfolio (2025). High-Frequency Factor Predictors via Heterogeneous Continual GNNs. IEEE TKDE.
12. 东方证券 (2024). 基于风险注意力的因子挖掘模型.
13. H3M-SSMoEs (2026). 百度. https://developer.baidu.com/article/detail.html?id=6856906
14. Qlib — The Quant Backbone (2026). https://ice-ice-bear.github.io/posts/2026-05-10-microsoft-qlib-quant-ai/
15. MARF (2026). Unifying relational and market dynamics to enhance stock trend prediction. J Supercomputing.