图神经网络选股与 Qlib 实践

创建于 2026-02-24T17:58:55.102086+08:00 更新于 2026-02-24T18:09:42.792505+08:00

摘要

本报告介绍图神经网络（GNN）与图时空网络在量化选股中的原理与实现，基于微软开源平台 Qlib 用 Alpha158vwap 因子测试了 GATs_ts 模型与 LSTM 的日频选股回测。实证（2010-01-04 至 2021-02-02）显示：一层 GATs_ts 年化收益率 35.70%、夏普 1.42，相对沪深300 的年化超额收益由 LSTM 的 ~25.7% 提升至 ~28.9%，信息比率由 2.64 提升至 2.94，表明引入股票间关系的 GNN 能为选股带来可观增量信息 [page::0][page::33]

速读内容

深度阅读