20250407-西南证券-机器学习应用系列_PINN信息约束与时序截面双流网络选股模型_32页_5mb

PINN信息约束与时序截面双流网络选股模型总结

核心内容

本文提出了一种融合时序特征提取、图结构关联与宏观状态约束的多模态深度学习选股模型，称为PINN-MTICG模型。该模型结合了Transformer、图注意力网络（GAT）和物理信息神经网络（PINN），旨在提升因子挖掘效果和模型泛化能力。

主要观点

• 时序模型：通过多尺度Transformer模型提取个股量价数据的长期依赖关系，构建15个时序量价特征，分别在20日、40日和80日尺度下处理数据，并通过门控融合层进行信息融合。模型在全A范围内月均IC为10.95%，多头组合年化收益率为32.88%，但因子多头组合表现并不显著，空头组合表现更优。

• 截面模型：构建行业关联图与资金流向图，通过GAT模型捕捉股票间的非线性关联和传导效应。模型月均IC为8.77%，多头组合年化收益率为32.77%，换手率显著低于Transformer模型，具备一定的选股效果。

• 宏观信息约束：引入PINN模型，将宏观状态方程作为软约束嵌入模型，提升模型对宏观信息的响应能力。模型月均IC提升至11.41%，多头组合年化收益率提高至37.51%，且分组回测下多空年化收益率达到44.67%，因子表现优于单独使用Transformer或GAT模型。

关键信息

时序模型：多尺度Transformer

• 模型设定：基于14个量价时序特征构建，包括量价背离度、压力支撑效率、流动性冲击系数等。
• 回测结果：月均IC为10.95%，多头组合年化收益率为32.88%，月均单边换手率0.83X。
• 分组表现：多头组合年化收益率32.88%，空头组合年化收益率-6.31%，多空组合年化收益率41.81%。
• 分年度表现：因子在2019年至2025年3月期间表现稳定，尤其在2021年和2023年超额表现显著。

截面模型：Indcap-GAT

• 模型设定：基于行业关联图和资金流向图，构建7个共享特征和6个资金流网络特征。
• 回测结果：月均IC为8.77%，多头组合年化收益率为32.77%，月均单边换手率0.61X。
• 分组表现：多头组合年化收益率32.77%，空头组合年化收益率0.02%，多空组合年化收益率32.63%。
• 分年度表现：因子在2019年至2025年3月期间表现良好，尤其在2021年和2024年超额表现显著。

宏观信息约束模型：PINN-MTICG

• 模型设定：将宏观状态方程作为物理约束项嵌入到模型损失函数中，以提升模型的泛化能力。
• 回测结果：月均IC为11.41%，多头组合年化收益率为37.51%，月均单边换手率0.83X。
• 分组表现：多头组合年化收益率37.51%，空头组合年化收益率-4.88%，多空组合年化收益率44.67%。
• 分年度表现：在2019年至2025年3月期间，模型在除2020年和2021年外的5年中超额表现优于MTICG模型。

指数增强策略表现

• 沪深300指数增强策略：

  • PINN-MTICG模型：年化超额收益率13.22%，近一个月、三个月、一年、三年超额收益率分别为5.53%、4.15%、24.56%、8.83%。
  • MTICG模型：年化超额收益率11.85%，略逊于PINN-MTICG模型。

• 中证1000指数增强策略：

  • PINN-MTICG模型：年化超额收益率16.96%，近一个月、三个月、一年、三年超额收益率分别为0.84%、3.59%、23.38%、18.75%。
  • MTICG模型：年化超额收益率22.23%，但表现不如PINN-MTICG模型。

风险提示

• 数据来源：模型基于公开的历史数据构建，存在数据滞后性和第三方数据不准确或缺失的风险。
• 策略效果：回测结果仅适用于特定时间段，不预示未来表现，也不保证可持续性或收益。

相关研究

• 本文模型与以下研究相关：
  • 基于产业链和交易结构的豆粕期货择时框架
  • 可转债K线技术分析与K线形态因子
  • 宏微同频成长价值风格轮动策略
  • 超额收益如何回归
  • ESG投资及其在多因子策略中的应用
  • 价格形成路径与趋势清晰度因子
  • 量价时序特征挖掘模型在深度学习因子中的应用

模型结构

• Transformer模型：通过自注意力机制捕捉时序依赖关系，具有并行计算能力。
• GAT模型：通过图结构捕捉个股间的非线性关联，包括行业关联图和资金流向图。
• PINN模型：通过物理信息损失项嵌入宏观状态方程，提升模型对宏观因素的响应能力。

总结与展望

• 模型效果：PINN-MTICG模型在IC、年化收益率和多空组合表现上均优于单独使用Transformer或GAT模型。
• 未来方向：进一步优化模型参数，提升因子挖掘效果，探索更多宏观变量与金融数据的融合方式，以提高模型的稳定性和预测能力。

图表目录

• 图1：PINN信息约束与时序截面双流网络结构图
• 图2：Transformer网络结构
• 图3：图注意力机制示意
• 图4：节点信息聚合过程
• 图5：PINN网络结构
• 图6：时序编码模块架构：多尺度Transformer
• 图7：多尺度Transformer因子IC
• 图8：多尺度Transformer因子分组-绝对净值
• 图9：多尺度Transformer因子分组测试-相对净值
• 图10：多尺度Transformer因子多头分年度净值
• 图11：GAT个股关联信息编码结构
• 图12：Indcap-GAT因子IC
• 图13：Indcap-GAT因子分组-绝对净值
• 图14：Indcap-GAT因子分组测试-相对净值
• 图15：Indcap-GAT因子多头分年度净值
• 图16：MTICG因子IC
• 图17：PINN-MTICG因子IC
• 图18：MTICG因子分组测试-绝对净值
• 图19：PINN-MTICG因子分组测试-绝对净值
• 图20：MTICG因子分组测试-相对净值
• 图21：PINN-MTICG因子分组测试-相对净值
• 图22：MTICG因子分组测试-相对净值
• 图23：PINN-MTICG因子分组测试-相对净值
• 图24：MTICG沪深300指数增强表现
• 图25：MTICG沪深300指数增强相对净值
• 图26：PINN-MTICG沪深300指数增强表现
• 图27：PINN-MTICG沪深300指数增强相对净值
• 图28：PINN-MTICG沪深300指数增强表现（近一月）
• 图29：PINN-MTICG沪深300指数增强表现（近三月）
• 图30：PINN-MTICG沪深300指数增强表现（近一年）
• 图31：PINN-MTICG沪深300指数增强表现（近三年）
• 图32：MTICG中证1000指数增强表现
• 图33：MTICG中证1000指数增强相对净值
• 图34：PINN-MTICG中证1000指数增强表现
• 图35：PINN-MTICG中证1000指数增强相对净值
• 图36：PINN-MTICG中证1000指数增强表现（近一月）
• 图37：PINN-MTICG中证1000指数增强表现（近三月）
• 图38：PINN-MTICG中证1000指数增强表现（近一年）
• 图39：PINN-MTICG中证1000指数增强表现（近三年）

表格目录

• 表1：Multi-Transformer模型量价时序特征列表
• 表2：Multi-Transformer回测结果
• 表3：多尺度Transformer因子10分组表现
• 表4：多尺度Transformer因子多头分年度超额表现
• 表5：行业关联图及资金流向图构建特征
• 表6：Indcap-GAT因子回测结果
• 表7：Indcap-GAT因子分组表现
• 表8：Indcap-GAT因子多头分年度超额表现
• 表9：全A范围内因子测试
• 表10：PINN-MTICG与MTICG模型分年度超额表现
• 表11：沪深300指数成分股因子测试
• 表12：沪深300指数增强策略回测结果
• 表13：PINN-MTICG沪深300指数增强策略分区间回测结果
• 表14：中证1000指数成分股因子测试
• 表15：中证1000指数增强策略回测结果
• 表16：PINN-MTICG中证1000指数增强策略分区间回测结果