PINN信息约束与时序截面双流网络选股模型分析.pdf

PINN信息约束与时序截面双流网络选股模型分析。本文构建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 学习选股框架。首先，通过 Transformer编码器捕捉个股量价数据的长期时序 依赖，提取自适应时间戳特征；其次，基于图注意力网络（GAT）构建行业关 联图与资金流向图，解析行业拓扑结构中的非线性关联与资金交互网络中的传 导效应；最后，引入物理信息神经网络（PINN），将宏观经济状态方程作为软 约束嵌入模型，实现宏观信息对个股收益预测的信息映射。

多尺度 Transformer 模型(Multi-Transformer)。本文基于个股基本量价信息 构建出 15 个时序量价特征，在 20 日、40 日及 80 日的尺度下，分别利用 Transformer 进行时序信息处理，并引入门控融合层对三个不同尺度的信息进 行加权融合。经回测，Multi-Transformer 模型月 IC均值 10.95%，多头组合年 化收益率为 32.88%，月均单边换手率 0.83X，10分组回测下因子多头组合表 现并不显著，且除空头组合外，其余组合分化程度不高，Transformer 模型及 量价时序信息在因子挖掘效果层面更多聚焦于空头，具备进一步提升空间。

个股关联 GAT 模型（indcap-GAT）。本文从行业关联及资金流向两个角度进 行个股关联信息的挖掘。首先基于申万一级行业分类构建行业关联图，并在行 业关联的基础上额外构建跨行业边；其次基于部分资金流特征相似性构建资金 流向相似边，从而构建资金图，随后两者经过 GAT 模型处。经模型回测， indcap-GAT因子月均 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，整体来看，仅靠个股关联信息训练出的 indcap-GAT 模型具 备一定的选股效果，因子换手相较 Multi-Transformer 有显著的降低。

宏观状态方程构建与损失约束：本文从货币状态以及利率调节状态等角度构建 了关于宏观状态虚拟变量的宏观状态方程。并引入 PINN（物理信息神经网络） 损失函数中物理损失项，在最终的时序截面双流网络模型中引入了宏观状态损 失约束。经过回测，PINN 宏观信息约束下的时序截面双流网络模型 （PINN-MTICG）因子月平均 IC为 11.41%，多头组合年化收益 37.51%，月 均单边换手率 0.83X，因子表现相较于单独信息输入的 Multi-Transformer 与 indcap-GAT模型均有所提升。且分组回测下，PINN-MTICG 因子多空年化收 益率 44.67%，因子分组效果有所改善。

指数增强策略：PINN-MTICG 模型沪深 300 指数增强策略年化超额收益率 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%以及 8.83%；PINN-MTICG 模型中证 1000 指数增强策略年化超额收 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%以及 18.75%。