STN-TGAT：基于先验引导图注意力和可学习软阈值稀疏化的Top-K投资组合构建

近年来，量化投资领域对利用深度学习进行股票预测和组合构建的研究日益增多。然而，大多数现有方法要么单独处理时间序列预测，要么仅关注股票间的静态关系，难以同时捕捉市场中的时间动态和截面依赖。针对这一挑战，Haoran Guo等人在arXiv上发表的论文《STN-TGAT: Top-K Portfolio Construction via Prior-Guided Graph Attention with Learnable Soft-Threshold Sparsification》提出了一种全新的框架，旨在真实投资环境下实现有效的股票排名与投资组合优化。

该论文的核心贡献在于提出了软阈值NMI先验Transformer图注意力网络（STN-TGAT）。该模型巧妙地将时间Transformer与图注意力网络（GAT）融为一体。时间Transformer负责从历史价格序列中提取长期趋势和周期性模式，而GAT则通过注意力机制动态学习股票之间的关联强度，从而表征不断变化的市场结构。为了进一步提升图结构的可靠性，作者引入了基于归一化互信息（NMI）的先验图。NMI是一种衡量变量间依赖关系的非参数指标，能够有效捕捉非线性关联。在此基础上，模型还设计了一个可学习的软阈值稀疏化模块。该模块能够自动抑制噪声连接，同时保留那些真正具有预测价值的信息边，从而在稀疏性和信息量之间取得平衡。

在投资组合构建环节，STN-TGAT充分考虑了实际交易中的各种约束。具体流程包括：从标普500指数成分股中筛选出市值或流动性排名前50的股票，然后利用模型输出的排名分数选择前5只作为持仓标的，并基于预测得分进行权重分配。此外，模型还明确计入了交易成本，使得回测结果更贴近真实交易场景。这种端到端的设计使得模型能够直接针对投资组合收益进行优化，而非仅仅关注预测精度。

实验基于真实市场数据展开，涵盖了多个年份的股票收益、交易量等指标。对比模型包括传统的因子模型、LSTM、Transformer以及基础的GAT等。结果显示，STN-TGAT在预测准确性（如IC、RankIC）和投资组合收益（如年化收益率、夏普比率）上均显著优于所有基线。作者认为，其成功的关键在于将决策对齐训练（即直接优化组合收益）与自适应关系建模相结合。这一研究为数据驱动的投资组合管理提供了一个连贯且实用的新范式。

总之，STN-TGAT模型通过融合时序建模和图学习，并引入先验知识和稀疏化机制，在量化投资领域展现了巨大的潜力。对于寻求将前沿AI技术应用于金融实践的从业者而言，这篇论文提供了宝贵的思路和实证依据。