简介图神经网络GNN作为处理关系数据的强大工具其核心原理是通过聚合节点及其邻居的信息来学习图中节点的表征。时空图神经网络STGNN在此基础上融合了时间序列建模能力能够同时捕捉数据的空间关联性和时间动态性这一特性使其在金融时间序列预测等场景中展现出巨大技术价值。在量化交易领域传统模型往往难以刻画股票间复杂的联动关系和动态演化模式。本文聚焦于应用STGNN技术详细阐述了如何为沪深300成分股构建动态多图结构并设计混合了ChebNet与GAT的空间模块以及TCN时间模块的模型架构以应对A股市场的复杂关联结构和风格切换挑战为量化策略提供更稳健的因子来源。1. 项目缘起当传统量化模型撞上“黑天鹅”在量化交易这个行当里混了十几年我见过太多模型在回测阶段表现优异一到实盘就“见光死”。尤其是在A股市场沪深300指数作为核心宽基指数其成分股之间的联动效应、行业轮动以及受宏观政策、市场情绪影响的复杂程度远非简单的线性回归或传统时间序列模型如ARIMA、LSTM能够完全捕捉。我们常常遇到这样的困境模型能很好地拟合历史数据中的趋势但对突如其来的风格切换、板块异动或者由某个龙头股暴跌引发的连锁反应预测能力就急剧下降。这背后缺失的正是对股票间复杂关联结构以及这种结构随时间动态演化的建模能力。几年前当图神经网络GNN开始在社交网络、推荐系统等领域大放异彩时我就开始琢磨如果把每只股票看作图中的一个“节点”把股票之间的关联如行业隶属、上下游供应链、资金流向相关性等看作“边”那么整个市场不就是一张巨大的、动态的图吗传统的GNN擅长处理静态图但股市的图结构每分钟都在变化。直到时空图神经网络STGNN的出现它完美地将图卷积捕捉空间关联与时间序列模型如TCN、GRU结合能同时建模“空间”和“时间”两个维度的依赖这简直就是为金融时间序列预测量身定制的工具。于是我决定动手搭建一个“基于时空图神经网络STGNN的沪深300成分股多维度走势预测系统”。这个项目的核心目标不是追求“圣杯”般的百分百准确率而是构建一个更贴近市场真实运行机理的预测框架为量化策略提供更稳健、更具解释性的因子。本文将详细拆解从数据构建、模型设计、训练技巧到策略回测的完整链路并分享那些在论文和教科书里不会写的实战坑。2. 数据工程构建股市的“时空图谱”模型的上限很大程度上由数据决定。对于STGNN我们需要构建两类核心数据节点特征、图结构邻接矩阵和时间序列。2.1 节点特征超越价量数据的多维度信息如果只把开盘价、收盘价、成交量丢给模型那和传统模型没区别。我们需要为每只股票节点构建能反映其多维状态的向量。1. 技术面特征这是基础但需要精细化处理。我不仅计算了常见的MA、MACD、RSI、布林带还加入了波动率指标如已实现波动率、价量相关性指标、以及日内Tick数据聚合的统计特征如订单流不平衡。关键在于标准化我对每个特征在整个时间序列上进行了滚动Z-Score标准化以消除量纲和长期漂移的影响。2. 基本面特征从财报和日频数据中提取。包括滚动市盈率PE-TTM、市净率PB、股息率、以及营收和利润的同比/环比增长率。这些数据频率低需要进行前向填充并计算其相对于自身历史分位数和行业平均的偏离度转化为日频信号。3. 另类数据这是提升模型差异化的关键。我引入了新闻情绪利用财经新闻文本通过预训练的FinBERT模型提取每日针对特定公司的情感得分。分析师评级追踪券商研报将“买入”、“增持”等评级转化为数值分数并计算评级调整的变化。资金流数据北向资金、主力资金的每日净流入流出情况作为聪明的“外部信号”。最终每个股票在每一天都有一个约50-100维的特征向量。这些特征在输入模型前会经过一个简单的特征编码层线性层激活函数进行降维和融合。2.2 图结构构建定义股票间的“亲疏关系”如何定义股票之间的“边”及其权重是STGNN项目的灵魂。我试验了多种构图方式最终采用了一种动态多图融合的策略。1. 静态图行业关联图这是最稳定的关系。根据申万一级行业分类如果两只股票属于同一行业则在它们之间建立一条边。权重可以设为1无权图或者根据它们在行业内的市值占比进行加权。这个图提供了长期、稳定的结构先验。2. 动态图收益率相关性图这是捕捉短期市场联动性的关键。我计算每只股票过去20个交易日的日收益率序列然后计算任意两只股票之间的滚动相关系数例如过去5日的相关系数。设定一个阈值如0.3相关系数超过该阈值的股票对之间建立一条边权重就是相关系数本身。这里有个大坑直接使用相关系数矩阵作为邻接矩阵可能会引入大量噪声并且矩阵可能不是正定的。我的处理方式是先计算相关系数矩阵然后应用一个基于阈值的稀疏化操作最后对每一行进行归一化使得每个节点所有出边的权重和为1确保图卷积的稳定性。3. 动态图资金流耦合图通过分析北向资金或主力资金的流向如果两只股票经常被同一类资金在同一天同步大幅买入或卖出则认为它们之间存在“资金联动”关系。可以通过计算资金流序列的相似性如余弦相似度来构建边。在实际系统中我同时维护了这2-3个图。在STGNN的每一层可以对不同图进行单独的图卷积操作然后将得到的节点表征进行加权求和或拼接。这种方式让模型既能理解长期的行业结构又能感知短期的市场情绪和资金动向。2.3 时间序列切片与样本生成我们将数据组织成一个三维张量X ∈ R^(N×T×F)其中N是股票数量如300T是回溯的时间窗口长度如20天F是节点特征维度。标签Y ∈ R^(N×P)是我们未来P天如1天或5天需要预测的目标通常是收益率、涨跌方向或波动率。为了避免信息泄露在构建每一个训练样本(X, Y)时必须确保用于构建动态图如相关性图的数据、节点特征数据以及标签数据在时间上严格隔离。我的做法是对于时间点t使用[t-T, t)的数据构建特征X和图结构使用[t, tP)的数据计算标签Y。在数据管道中这是一个需要严格检查的环节。3. 模型架构设计STGNN的核心实现我选择了PyTorch作为实现框架因为它灵活且生态丰富。STGNN的架构有很多变种我基于经典的STGCNSpatio-Temporal Graph Convolutional Network和ASTGCNAttention Based Spatial-Temporal Graph Convolutional Networks的思想设计了一个更适合金融数据的混合模型。3.1 空间维建模图卷积层的选择与改进图卷积是提取股票间关联信息的核心。我对比了两种主流方法ChebNet切比雪夫图卷积它通过切比雪夫多项式在谱域对图滤波器进行近似计算效率高且不依赖于拉普拉斯矩阵的特征分解适用于动态图。但它对图的全局结构捕捉能力相对较弱。GAT图注意力网络它为图中每个节点对学习一个注意力权重意味着边权重是动态学习得到的而非预先定义的。这非常强大因为它可以让模型忽略我们构建的图中不重要的连接甚至发现我们未定义的连接。但计算开销较大。我的折中方案是使用一个基础的ChebNet层来快速提取基于预定义图结构的空间特征然后接一个轻量级的GAT层让模型自己去微调和关注更重要的关联关系。具体实现上ChebNet层使用我们构建的动态相关性图作为输入输出初步的空间特征。然后将这些特征和节点原始特征一起输入到一个2头的GAT层中生成最终的空间嵌入。import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import ChebConv, GATConv class SpatialBlock(nn.Module): def __init__(self, in_channels, cheb_k, gat_heads): super().__init__() # ChebNet卷积 self.cheb_conv ChebConv(in_channels, 64, Kcheb_k) # GAT卷积输入维度为ChebNet输出维度原始输入维度 self.gat_conv GATConv(64 in_channels, 64, headsgat_heads, concatFalse, dropout0.2) self.bn nn.BatchNorm1d(64) # 批归一化加速训练 self.activation nn.ReLU() def forward(self, x, edge_index, edge_weightNone): # x: [N, T, in_channels], 我们首先处理单个时间片 # 假设我们暂时处理最后一个时间片实际中需要在时间维度上循环或并行 x_spatial x[:, -1, :] # 取最新时间片特征形状[N, in_channels] cheb_out self.cheb_conv(x_spatial, edge_index, edge_weight) # 拼接原始特征与ChebNet输出 combined torch.cat([x_spatial, cheb_out], dim-1) gat_out self.gat_conv(combined, edge_index) out self.activation(self.bn(gat_out)) return out.unsqueeze(1) # 输出形状 [N, 1, 64]3.2 时间维建模捕获复杂的时序依赖提取空间特征后我们需要在时间维度上建模序列模式。RNN如GRU、LSTM和TCN时间卷积网络是常见选择。GRU/LSTM擅长捕捉长距离依赖但串行计算训练慢且对长期历史中突然变化的模式如市场拐点有时反应“迟钝”。TCN采用因果膨胀卷积可以并行计算训练速度快感受野大能高效捕捉不同时间尺度的模式。这对于市场中期几周的动量、反转效应建模很有优势。我采用了TCN作为时间建模的主干。将空间模块输出的、沿着时间维度堆叠的特征序列输入到TCN中。TCN的每一层都包含膨胀卷积、权重归一化、ReLU激活和随机失活Dropout形成一个残差块确保梯度流动。class TemporalBlock(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, dilation): super().__init__() # 因果填充保证不泄露未来信息 padding (kernel_size - 1) * dilation self.conv1 nn.Conv1d(in_channels, out_channels, kernel_size, paddingpadding, dilationdilation) self.conv2 nn.Conv1d(out_channels, out_channels, kernel_size, paddingpadding, dilationdilation) self.bn1 nn.BatchNorm1d(out_channels) self.bn2 nn.BatchNorm1d(out_channels) self.dropout nn.Dropout(0.2) self.downsample nn.Conv1d(in_channels, out_channels, 1) if in_channels ! out_channels else None self.activation nn.ReLU() def forward(self, x): # x: [batch_size, in_channels, seq_len] residual x out self.activation(self.bn1(self.conv1(x))) out self.dropout(out) out self.bn2(self.conv2(out)) # 裁剪多余的填充部分保持序列长度不变严格因果 out out[:, :, :-self.conv1.padding[0]] if self.conv1.padding[0] ! 0 else out if self.downsample is not None: residual self.downsample(residual) return self.activation(out residual) class TCN(nn.Module): def __init__(self, input_size, num_channels, kernel_size3): super().__init__() layers [] num_levels len(num_channels) for i in range(num_levels): dilation 2 ** i in_channels input_size if i 0 else num_channels[i-1] out_channels num_channels[i] layers.append(TemporalBlock(in_channels, out_channels, kernel_size, dilation)) self.network nn.Sequential(*layers) def forward(self, x): # x: [batch_size, seq_len, features] - 需要转换为 [batch_size, features, seq_len] 给Conv1d x x.permute(0, 2, 1) return self.network(x).permute(0, 2, 1) # 再转换回来3.3 时空模块的交替与融合单纯的“先空间后时间”或“先时间后空间”可能丢失一些交互信息。我借鉴了STGCN的思想采用时空卷积块的堆叠。每个块内先进行图卷积空间再进行时间卷积并且每个块都有残差连接。这样模型在多个层次上交替融合时空信息。最终经过几个时空块处理后得到每个股票在最后一个时间步的丰富表征。然后通过一个全连接层映射到预测目标如未来1日的收益率。class STGNNModel(nn.Module): def __init__(self, node_features, pred_len, cheb_k, gat_heads, tcn_channels): super().__init__() self.spatial_block SpatialBlock(node_features, cheb_k, gat_heads) self.tcn TCN(input_size64, num_channelstcn_channels) # 输入是空间模块的输出维度 # 假设TCN输出最后一个时间步的特征 self.final_fc nn.Linear(tcn_channels[-1], pred_len) # 预测未来pred_len步 def forward(self, x, edge_index, edge_weightNone): # x: [batch_size, num_nodes, seq_len, node_features] batch_size, num_nodes, seq_len, feats x.shape # 我们需要对每个时间片应用空间模块这里是一个简化版我们取最后一个时间片做空间卷积然后与历史时间片特征拼接后送TCN # 更复杂的实现需要循环或更高级的融合 spatial_features [] for t in range(seq_len): sf self.spatial_block(x[:, :, t, :], edge_index, edge_weight) # [batch_size, num_nodes, 1, 64] spatial_features.append(sf) # 拼接所有时间步的空间特征 spatial_seq torch.cat(spatial_features, dim2) # [batch_size, num_nodes, seq_len, 64] # 合并batch和node维度送入TCN spatial_seq_flat spatial_seq.view(batch_size * num_nodes, seq_len, -1) temporal_out self.tcn(spatial_seq_flat) # [batch_size*num_nodes, seq_len, tcn_channels[-1]] # 取最后一个时间步的特征 last_hidden temporal_out[:, -1, :] # 预测 prediction self.final_fc(last_hidden) # [batch_size*num_nodes, pred_len] # 恢复形状 prediction prediction.view(batch_size, num_nodes, -1) return prediction4. 模型训练、验证与实战陷阱有了数据和模型训练过程是另一个战场。金融数据噪声大分布不稳定直接套用图像或NLP的训练方法很容易过拟合。4.1 损失函数设计贴合金融目标预测股票收益率是一个回归问题最常用的损失函数是均方误差MSE。但MSE对异常值如暴涨暴跌非常敏感可能导致模型过于保守。我结合了以下几种Huber Loss在误差较小时是MSE误差较大时是MAE对异常值不那么敏感更稳健。分位数损失Quantile Loss不仅可以预测均值还可以预测分布的分位数如10%和90%分位数从而得到预测区间这对风险控制至关重要。方向准确性损失Directional Loss在损失函数中加入一个惩罚项鼓励模型预测的收益率方向正负与真实值一致。这直接关系到交易策略的盈亏。我的最终损失函数是它们的加权和Loss α * HuberLoss β * QuantileLoss γ * DirectionalLoss。通过调整α, β, γ可以在预测精度、稳健性和方向性之间取得平衡。4.2 防止过拟合金融数据特有的技巧严格的时间序列交叉验证绝对不能打乱数据我采用“滚动窗口”式验证。例如用2007-2015年数据训练2016年验证2017年测试。然后滚动2008-2016训练2017验证2018测试……以此类推。这模拟了实盘中模型在历史数据上训练在未来数据上使用的真实场景。标签平滑Label Smoothing股票收益率噪声极大。直接使用原始收益率作为标签会让模型去学习噪声。我对收益率标签进行了轻微的平滑处理例如用过去3天的平均收益率作为当天的标签这相当于给模型提供了一个更稳定的学习目标在实践中能有效提升泛化能力。动态图正则化除了在模型中使用Dropout我还在损失函数中加入了针对图结构参数的L2正则化防止图注意力机制学习到过于极端或稀疏的连接保持图的稳定性。早停策略Early Stopping监控验证集上的损失当其在连续多个epoch如20个不再下降时停止训练。关键点早停的依据最好是验证集上基于策略的评估指标如夏普比率而不是单纯的预测损失这样停出来的模型更有利于最终的交易表现。4.3 梯度爆炸与消失训练稳定性处理STGNN模型通常较深容易出现梯度问题。我采用了以下组合拳梯度裁剪Gradient Clipping在调用optimizer.step()之前使用torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)将梯度范数限制在一定范围内。权重初始化使用Xavier或Kaiming初始化方法初始化线性层和卷积层的权重。学习率调度使用ReduceLROnPlateau调度器当验证集损失停滞时降低学习率配合早停使用。5. 从预测到策略构建量化交易系统模型输出的是对未来收益率的预测值这只是一个“阿尔法因子”如何将其转化为可交易的策略是价值变现的最后一步。5.1 信号生成与组合构建假设模型预测的是未来5日的收益率。对于每一天模型会对300只成分股产生一个预测向量。我的处理流程是信号标准化将预测的收益率横截面即当天所有股票间进行Z-Score标准化得到均值为0标准差为1的信号值。中性化处理为了消除行业、市值等风格因子的影响我将信号对行业哑变量和市值对数进行线性回归取残差作为新的、经中性化处理的信号。这能确保策略收益来源于模型的选股能力而非暴露于某个特定风格。组合权重计算采用风险平价的思想。不是简单地做多信号最强的10只股票。我根据信号强弱分配权重但同时考虑每只股票的历史波动率和与其他股票的相关性目标是构建一个风险分散的组合。可以使用cvxpy等凸优化库来求解最优权重约束条件包括权重和为1满仓、不允许做空、单只股票权重上限如5%、行业权重偏离限制等。5.2 回测框架与绩效评估我使用Backtrader或Zipline这类专业的回测框架但将信号生成模块替换为我们训练好的STGNN模型。回测中必须注意交易成本必须包含佣金和印花税对于A股。高换手率的策略可能被成本吞噬所有利润。滑点Slippage设定一个固定的百分比如0.1%作为冲击成本模拟大额订单对市场价格的冲击。延迟使用每日收盘价计算信号在次日开盘价执行交易这是比较合理的假设。评估指标不能只看年化收益率夏普比率Sharpe Ratio衡量风险调整后收益大于1通常算不错。最大回撤Max Drawdown策略运行期间资产净值从峰值到谷底的最大跌幅这是衡量策略风险和客户承受能力的关键指标。信息比率Information Ratio相对于基准如沪深300指数的超额收益与跟踪误差的比值。胜率与盈亏比交易胜率和平均盈利与平均亏损的比值。5.3 实盘部署与持续迭代实盘系统采用“日频离线预测盘中监控”的模式。离线预测服务每天收盘后自动拉取最新的市场数据运行数据预处理管道加载训练好的STGNN模型生成对下一交易日的预测信号和组合权重。这个过程可以封装成Docker容器在云服务器上定时执行。信号推送与执行将生成的交易清单股票代码、方向、数量通过券商API或风控系统审核后发送到交易终端执行。执行时间通常设定在次日开盘后一段时间内以均价单或TWAP时间加权平均价格算法执行减少市场冲击。模型监控与再训练市场风格会变。需要持续监控模型的预测能力。我设置了几个警报预测误差监控滚动计算模型预测收益率与实际收益率的相关系数或IC值信息系数如果连续多日低于阈值发出警报。策略绩效监控实时计算实盘策略的夏普比率和回撤与历史回测区间对比。定期再训练每季度或每半年使用最新的数据对模型进行一次完整的重新训练。注意每次再训练后必须在新的、未参与训练的时间段上进行严格的样本外测试通过后才能部署上线。这个基于STGNN的预测系统其核心价值不在于提供一个“稳赚不赔”的圣杯而在于提供了一个更强大的、能够同时理解市场“空间结构”和“时间演化”的分析框架。它将离散的股票预测问题转变为一个结构化的、整体的图节点回归问题。在实际应用中它生成的信号与我原有的多因子模型结合构成了一个更强的复合因子在控制回撤和提升夏普比率方面表现出了明显的优势。当然它计算成本更高对数据质量要求更严但在这个算力过剩、数据丰富的时代这无疑是值得投入的方向。模型的每一个环节从构图方式到损失函数都充满了可以微调和优化的空间这也是它吸引人的地方——你永远可以相信还有更好的市场结构等待你的模型去发现。本文还有配套的精品资源点击获取