PINN信息約束與時序截面雙流網絡選股模型分析.pdf

PINN信息約束與時序截面雙流網絡選股模型分析。本文構建了一種融合時序特征提取、圖結構關聯與宏觀狀態約束的多模態深度 學習選股框架。首先，通過 Transformer編碼器捕捉個股量價數據的長期時序 依賴，提取自適應時間戳特征；其次，基于圖注意力網絡（GAT）構建行業關 聯圖與資金流向圖，解析行業拓撲結構中的非線性關聯與資金交互網絡中的傳 導效應；最后，引入物理信息神經網絡（PINN），將宏觀經濟狀態方程作為軟 約束嵌入模型，實現宏觀信息對個股收益預測的信息映射。

多尺度 Transformer 模型(Multi-Transformer)。本文基于個股基本量價信息 構建出 15 個時序量價特征，在 20 日、40 日及 80 日的尺度下，分別利用 Transformer 進行時序信息處理，并引入門控融合層對三個不同尺度的信息進 行加權融合。經回測，Multi-Transformer 模型月 IC均值 10.95%，多頭組合年 化收益率為 32.88%，月均單邊換手率 0.83X，10分組回測下因子多頭組合表 現并不顯著，且除空頭組合外，其余組合分化程度不高，Transformer 模型及 量價時序信息在因子挖掘效果層面更多聚焦于空頭，具備進一步提升空間。

個股關聯 GAT 模型（indcap-GAT）。本文從行業關聯及資金流向兩個角度進 行個股關聯信息的挖掘。首先基于申萬一級行業分類構建行業關聯圖，并在行 業關聯的基礎上額外構建跨行業邊；其次基于部分資金流特征相似性構建資金 流向相似邊，從而構建資金圖，隨后兩者經過 GAT 模型處。經模型回測， indcap-GAT因子月均 IC 為 8.77%，多頭組合年化收益率為 32.77%，月均單 邊換手率 0.61X，整體來看，僅靠個股關聯信息訓練出的 indcap-GAT 模型具 備一定的選股效果，因子換手相較 Multi-Transformer 有顯著的降低。

宏觀狀態方程構建與損失約束：本文從貨幣狀態以及利率調節狀態等角度構建 了關于宏觀狀態虛擬變量的宏觀狀態方程。并引入 PINN（物理信息神經網絡） 損失函數中物理損失項，在最終的時序截面雙流網絡模型中引入了宏觀狀態損 失約束。經過回測，PINN 宏觀信息約束下的時序截面雙流網絡模型 （PINN-MTICG）因子月平均 IC為 11.41%，多頭組合年化收益 37.51%，月 均單邊換手率 0.83X，因子表現相較于單獨信息輸入的 Multi-Transformer 與 indcap-GAT模型均有所提升。且分組回測下，PINN-MTICG 因子多空年化收 益率 44.67%，因子分組效果有所改善。

指數增強策略：PINN-MTICG 模型滬深 300 指數增強策略年化超額收益率 13.22%，近一個月、三個月、一年、三年超額收益率分別為 5.53%、4.15%、 24.56%以及 8.83%；PINN-MTICG 模型中證 1000 指數增強策略年化超額收 益率 16.96%，近一個月、三個月、一年、三年超額收益率分別為 0.84%、3.59%、 23.38%以及 18.75%。