今天分享的是 AI大模型专题系列 深度研究报告：《 AI大模型专题：提升AI模型边际效能：图注意力网络与特征集成 》

（报告出品方： 国盛证券 ）

报告共计： 17 页

AI选股模型：

• 思路：对同一模型构建差异化数据集输入，堆叠多数据集的输出；通过调整超参数选取、label构建、数据预处理方式等精进单一模型；对同一数据集根据不同模型训练，堆叠多模型的输出。

• 结构：特征工程和特征集成。

数据与网络：

• 数据输入：依据不同数据源构建特征集合独立训练神经网络模型，包括日K线、分钟K线、日内收益分布、资金流、技术特征、alpha158和fundamental等数据集。

• 网络结构：结合LSTM的时序分析能力和GAT的截面关联捕捉能力，构建了一个结合了时序分析和图结构分析的复合模型。

因子信号：

• 基础数据集：包含数据集1-5，通过LSTM、GAT-ind和GAT-ind-style等模型训练，输出因子的绩效。

• 手工特征数据集：包括alpha158和fundamental，通过谱聚类算法和图注意力网络训练，输出因子的绩效。

特征集成：

• 架构：对于数据输入，采用相加的方式将不同模型提取的因子特征随机相加；对于集成算法，采用3类经典的GBDT算法；对于标签设定，采用多维度预测窗口与多类型标签设计。

• 步骤：对比基准模型LSTM在引入图注意力网络前后对于收益预测能力的变化；对比手工特征集对于模型绩效的提升；对比多次集成相对于单次集成对于模型绩效的提升。

报告共计：17页