因子挖掘：基于图神经网络与公司主营（附代码）
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。
量化投资与机器学习公众号独家解读
量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号今年全力打造的一档深度、前沿、高水准栏目。
公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章，愿与你共同进步！
本期遴选论文
标题：HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information
作者：Wentao Xu, Weiqing Liu, Lewen Wang, Yingce Xia, Jiang Bian, Jian Yin, Tie-Yan Liu, Sun Yat-sen University, Microsoft Research
股票特征的拆分
股票市场的涨跌容易受到相关共同概念的影响，但在预定义的概念中，有时候并不能包含完全的信息，比如在某些概念数据中有些股票并不属于相关概念，但涨跌也受到了该概念的影响。有时候即使某只股票属于相关概念，但涨跌反而也没有受概念的影响。
同时预定义的概念并不能考虑到市场上所有存在的涨跌逻辑，可能市场中有一部分隐含概念也能影响股票收益。
作者提出了隐含概念的逻辑，并将股票的特征用以下三个部分来解释：
市场存在的预定义概念包含的共有信息
隐含概念包含的共有信息
股票特质信
通过图神经网络及全连接层的组合，作者构建了一个HIST模型，该模型可以将以息进行剥离，并最终放入一个全连接的线性层进行股票收益的预测。并在最终的测试中取得的满意的效果。
HIST模型结构
输入
t 时间股票的特征
m 个预定义的概念
步骤
1、股票特征提取
第一步使用2层的GRU对股票原始特征（Alpha360因子）进行表征提取：
以上 为股票i的因子， 为提取后的表征。则矩阵 为所有股票的表征（第i行为股票i的表征）。
2、股票特征分层处理
本文假设每个股票表征所包含的信息有以下三层组成：
预定义概念相关的共有信息
隐含概念相关的共有信息
每只股票的特质信息
在本步骤中，主要是应用三个不同的模型对这三类信息进行分层提取，提取过程中主要采用了Doubly Residual的模型架构。
为了方便阐述，我们把以上三层不同的模型用模型0、1、2表示，每个股票i输入模型j的数据用 表示，经过模型j处理后，得到两个输出：
用于最后对于股票收益率的预测，其中最终用于预测的输入为: ；
用于从当前的 剥离掉的信息，并得到下一层模型的输入：
Module 0：预定义概念处理模块（Predefined concept module）
在这一步中，基于股票行业和概念属性构建了图神经网络模型。主要细分步骤如下：
概念表征初始化
如下图3(a)表示，先把股票和对应概念（行业分类和主营业务）构建二分图（bipartite graph）。那么每个概念的表征的计算如等式(5)所示，其含义为：概念k的表征为该概念内所有股票表征的市值加权，以这个表征作为概念的初始化表征。
概念表征修正
概念表征的修正主要为了解决以下两个问题：(1)预定义概念的信息缺失问题，有些股票跟概念的关联可能没呈现出来；(2)预定义概念的信息过剩问题，有些股票虽然跟概念有关联，但其实对股价影响不大。本文主要通过股票与概念的相似性解决这两个问题，如果一个股票与某个概念相似性很高，但在预定义概念中，这个股票与这个概念并没有相连，那就可以视为缺失的关联。反过来，如果股票与某个概念间相关度不高，但在预定义概念中两者相连，则这个关联是没有必要的。
其中，股票与表征的相关性计算采用Cosine相关性，并在后续步骤概念表征加总时，使用经Softmax归一化后的相关性作为权重，具体公式如下：
概念表征加总
最终在基于修正后的图结构计算每个概念的表征，并传入全连接层输出作为最终概念k的表征，其中选用了LeakyReLU作为激活函数：
预定义概念相关共有信息的剥离
接着，把股票i与所有概念k的表征加权总和，传入全连接层，输出作为股票i所包含的预定义概念的相关共有信息。
最后，再把 传入两个全连接层，分别输入 :
其中 作为下一个模型的输入。
Module 1：隐含概念处理模块（Hidden concept module）
在上面的模型钟提取了预定义概念相关的共有信息，这里我们进行隐含概念共有信息的提取，主要经历以下步骤：
隐含概念表征初始化
假设隐含概念的数量与股票数量一致，都为n。并假设概念i的表征 为对应股票i的表征 。
股票与隐含概念相似性计算
采用Cosine计算股票i与概念k，两两之间的相关性：
股票与隐含概念关联
将股票与相似度最高的概念进行连接（除了原先对应的概念，如股票1与概念1），如图4所示，股票1与概念2 进行了连续，而概念3没有股票与其连接，则把概念3删掉。然后再把每个股票原先对应的概念加回来，如图4(b)所示。
计算隐含概念的表征
最后通过全连接层计算概念的表征：
后续计算股票在隐含概念相关的共信息的步骤和以上Module 0的步骤一致。
Module 2：股票特质信息处理（Individual information module）
经过以上两个模型的信息剥离，每个股票都只包含里自身的特质信息，这些信息再经过一个全连接层输入为最后预测股票收益的信息：
3、全连接神经网络层
以上三个Moudle的输出最终放到一个线性全连接层：
训练的目标函数为：
实证效果
数据
股票范围：中证100和沪深300
股票特征（因子）：基于Qlib计算的Alpha360特征
时间跨度：2007-01-01至2020-12-31；其中2007-01-01至2014-12-31为训练集，2015-01-01至2016-12-31为验证集，2017-01-01至2020-12-31为测试集
预定义概念数据：使用公司的行业数据及主营业务作为预定义的概念数据
预测的目标：股票下一个交易日的收益率
Baseline模型
Baseline的模型细节参考原文
结果
在所有的模型钟，在两个股票池CSI100与CSI300钟，HIST模型的IC和RankIC都是最高的。比如在CSI300的测试中，RankIC达到了12.6%。
在考虑交易成本（买入万五，卖出万分之十五）的日度交易策略中，每日买入收益预测最高的前30只股票，在2017年到2020年，模型的累计收益为50%，是所有测试模型中收益最高的。
代码
作者开源了基于Pytorch的代码，非常简洁明了：
https://github.com/Wentao-Xu/HIST