Fanshawe, Masih & Cameron (2025) — 用混合 Transformer + 图神经网络预测股票相关性

作者:Jack Fanshawe、Rumi Masih(通讯)、Alexander Cameron,昆士兰大学商学院。 发布:arXiv 预印本 2601.04602,论文标注日期 2025-07-01。

一句话总结

时序-异构图神经网络(THGNN)——Transformer 时序编码器 + 边感知 GAT 关系编码器——以 Fisher-z 残差为训练目标,用 S&P 500 的 37 个特征预测 10 日前瞻相关性,Pearson r 从持续性基线的 0.310 跃升到 0.778;把预测矩阵喂进 SPONGEsym 聚类后,2019–2024 多空篮子策略取得 Sharpe 1.84 / 最大回撤 −9.4%,而 SPX 同期是 0.65 / −33.9%。

为什么这篇对本 wiki 重要

本 wiki 已有的 equity alpha 页面都建立在价格、基本面、文本三类数据上。相关性本身几乎一律被当作后视输入——滚动窗口、EWMA、DCC-GARCH——直接喂给聚类(Cartea et al. 2023;Korniejczuk & Slepaczuk 2024)。本文把"相关性"重新定位为可预测的状态变量,而非历史的静态摘要。0.31 → 0.78 的 Pearson 提升(基于 2.69 亿条边)在样本规模上足以让怀疑者也严肃对待。对从业者,核心启示不是"用 THGNN",而是"在一切由相关性驱动的下游任务(对冲比率、篮子构建、组合优化)中,把滚动窗口换成前瞻预测"。

它也是 "时序 + 关系" 联合架构(Transformer × GAT)的代表案例:时序模式需要自注意力,跨资产传导需要图结构,二者缺一不可。基础构件见 Graph Attention Network (GAT) 与 Fisher-z Correlation Forecasting。

方法一段话

每只股票过去 30 天 × 37 维特征(价格/成交量、技术指标、基本面、Fama-French 因子 beta、来自 FRED 的宏观、行业代码、滚动相关性/波动率上下文、GARCH 隐含波动率)经 4 层 pre-norm Transformer(8 头, d_{model}=128, d_k=16) 编码为 512 维节点 embedding。每个交易日 t 构建一张带符号加权图——每只股票取 75 个最正、75 个最负、50 个随机中位邻居——边属性包括(corr, |corr|, 符号、是否同 sector、是否同 subindustry、关系类 {neg/mid/pos})。3 层边感知 GAT(4 头, 512 维) 在网络上传播;边 embedding 按关系类路由到 3 个 MLP 专家头,每个头输出 Fisher-z 残差 \Delta\hat z_{ij},加到 30 日滚动基线上后用 \tanh 映回相关空间。损失函数是 Huber 边损失 + Gaussian-soft-binning 直方图损失以克服 mode collapse。预测矩阵喂给 SPONGEsym 聚类 + Korniejczuk–Slepaczuk ML 集成信号过滤,10 日再平衡,只交易预测盈利能力前 10% 的信号。

数据与样本

• 股票池:S&P 500 成分股
• 训练:2006–2018(样本外缓冲从 2019 算起)
• 测试:2019-03-26 → 2024-12-05
• 目标:10 日前瞻相关性,2.69 亿条边
• 特征:每日每只股票 37 个,全部用 60 日滚动 z-score 标准化
• 数据源:WRDS 上的 CRSP/Compustat,宏观来自 FRED

关键结果

相关性预测(表 1)

方差解释率:9.6% → 60.5%。行业层面的残差紧密聚类(0.298 房地产 → 0.317 必需消费),说明模型对整个 S&P 500 都能泛化。新冠(2020)和俄乌冲突(2022 年 2–7 月)期间残差会飙高 ,但模型在这些危机中仍比持续性基线好约 0.05 的绝对残差。

交易表现(表 3,2019-04 → 2024-10)

Sharpe 差异显著性检验:单边 Ledoit-Wolf 平稳 bootstrap,p = 0.0200,95% 百分位 CI [0.054, 2.147],95% studentized CI [−0.123, 2.074]。在常规显著性水平下拒绝 Sharpe 相等的零假设。

可解释性发现

• 特征重要性(Transformer 的 Gradient × Input):VIX、原油(DCOILWTICO)、10 年期美债收益率(DGS10)、贸易加权美元指数(DTWEXBGS)、行业绑定(gsubind)五项占主导。5 个特征做了大部分工作,其他多数接近噪声。
• 行业注意力(GAT):新冠期间 Energy 的内部注意力从 0.05 飙到 0.35(原油需求崩塌,WTI 一度跌至 −$37),随后快速回归。Financials 的注意力分散(前 5 个行业占 75% 权重)。Real Estate 的注意力剧烈震荡,出现难以解释的尖峰——可解读为体制切换的指示器,而非因果联系。
• 重要提醒:注意力 ≠ 因果重要性(Jain & Wallace 2019);Gradient × Input 是有用摘要,不是形式化归因。

复现警示

作者未能复现 Korniejczuk & Slepaczuk (2024) 报告的 ML 过滤大幅增益。分类器 Brier 分数与原文一致,差异出在组合构建/回测阶段。所以交易引擎保留 Korniejczuk & Slepaczuk 的设计,但与 SPX 买入持有对比,而不是与一个不稳定的"前沿文献"基线对比。

作者明确指出的局限

1. 未建模滑点/冲击——实盘表现大概率被高估。
2. 未与 LSTM / CNN / 其他 GNN 变体做消融——对比结论受限。
3. 单一超参数——30 日窗口、4 层、8 头、d_{model}=128,未做调参。
4. 单一归因方法族——可解释性仅基于 Gradient × Input(Transformer)+ 原始注意力(GAT)。

本 wiki 关注的开放问题

• Pearson 从 0.31 → 0.78 的提升大得可疑。是否有部分来自特征 60 日滚动 z-score 与 30 日滚动相关性基线的重叠造成的泄露?干净的消融应把特征对基线做正交化。
• "无滑点"对任何股票策略都至关重要。在 top-10% 过滤篮子上加一个现实的冲击模型(平方根、Almgren-Chriss),19.2% 的年化收益会被显著侵蚀。
• 2019 年以后的样本涵盖了二十年未见的最大体制切换(新冠、俄乌、2022 加息)。模型在被它专门设计的数据上被评估。2018 年前在更平静的体制上的样本外才是真正的考验。
• 论文没有对 THGNN 架构做消融。同样的 37 个特征下,与纯 Transformer、纯 GAT 基线的公平对比是缺的。

本 wiki 相关页面

• Graph Attention Network (GAT)
• Fisher-z Correlation Forecasting
• SPONGEsym
• Statistical Arbitrage
• Cartea Cucuringu Jin 2023 SPONGE
• Korniejczuk Slepaczuk 2024 Graph Clustering Stat Arb
• Xiang 2023 THGNN Price Direction
• Stationary Bootstrap(用于 Sharpe 推断)
• Volatility Targeting(任何带风险管理的部署的下一步)