因子选股系列之九十九:基于异构图神经网络的股票关联因子挖掘
⚫ 图神经网络( GNN)近年来成为 图分析的 主流 工具, 同样也是 量化领域 的研究热 点,这种网络结构 能够整合股票间复杂的关联信息。 等方法相比,GNN 通过节点和邻边的特征传递机制,可以更深入地挖掘和利用图结
⚫ 图神经网络( GNN)近年来成为 图分析的 主流 工具, 同样也是 量化领域 的研究热 点,这种网络结构 能够整合股票间复杂的关联信息。 等方法相比,GNN 通过节点和邻边的特征传递机制,可以更深入地挖掘和利用图结
⚫ 图神经网络( GNN)近年来成为 图分析的 主流 工具, 同样也是 量化领域 的研究热 点,这种网络结构 能够整合股票间复杂的关联信息。 等方法相比,GNN 通过节点和邻边的特征传递机制,可以更深入地挖掘和利用图结
⚫ 图神经网络( GNN)近年来成为 图分析的 主流 工具, 同样也是 量化领域 的研究热 点,这种网络结构 能够整合股票间复杂的关联信息。 等方法相比,GNN 通过节点和邻边的特征传递机制,可以更深入地挖掘和利用图结核心数据:构中的数据,如供应链关系和行业分类,以增强个股预测的准确性。;维度,也提高了对未来收益率预测的准确性。;模型能够更有效地提取和利用正交的弱因子,优化了股票预测打分的准确性。。
本报告由东方证券发布,发布于 2024 年。
覆盖 2024 年,全文约 27。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合投资人、行业研究员等读者参考。
重点分析了股票市场等议题。