新上线今天0 投票
STN-TGAT：基于先验引导图注意与可学习软阈值稀疏化的Top-K投资组合构建
在量化投资领域，股票排序与投资组合构建始终是核心挑战——既要捕捉时间序列上的长期趋势，又要理解股票间的动态关联。近日，来自中国的研究团队提出了一种名为 STN-TGAT（Soft-Threshold NMI-prior Transformer Graph Attention Network）的新型深度学习框架，旨在更贴近真实交易场景下实现Top-K投资组合的构建。
方法核心：融合时序与图结构的双重视角
STN-TGAT 的核心架构由两部分组成：
- 时序Transformer：用于捕捉股票价格等序列数据中的长期依赖模式。
- 图注意力网络（GAT）：建模股票之间的动态关联关系，例如行业联动或资金流动。
两者的结合使得模型能够同时利用历史趋势和横截面信息，提升预测的全面性。
创新点：先验图引导与软阈值稀疏化
研究的一个关键创新在于引入 基于归一化互信息（NMI）的先验图，该图通过统计股票间收益率的非线性相关性，为模型提供初始的关联结构。在此基础上，可学习的软阈值稀疏化机制 被用于过滤噪声连接，同时保留有信息量的边。这种设计增强了模型对市场噪声的鲁棒性，避免了过度拟合虚假的相关性。
贴近实战：Top-5选股与交易成本调整
与许多仅在理论层面验证的模型不同，STN-TGAT 在投资组合构建过程中考虑了多项实际约束：
- 从标普500指数成分股中选出 Top-50 候选池，再从中精选 Top-5 股票；
- 明确分配权重，并纳入 交易成本调整，使评估结果更贴近真实交易表现。
实验结果：盈利性与准确性双重领先
在真实市场数据上的实证结果显示，STN-TGAT 在预测准确性和投资组合收益率方面均持续优于多个基准模型。这一结果表明，将 决策对齐训练（即模型训练目标与最终投资目标一致）与 自适应关系建模 相结合，能够为数据驱动的投资组合构建提供一套连贯且实用的框架。
行业意义与展望
STN-TGAT 的出现反映了当前AI+金融领域的一个重要趋势：模型设计不再单纯追求预测精度，而是更加注重 端到端的决策优化 和 交易成本敏感性。随着大语言模型和图神经网络在量化投资中的进一步融合，类似STN-TGAT这样的框架有望推动智能投顾和算法交易向更成熟的方向发展。