STN-TGAT：基於先驗引導圖注意力和可學習軟閾值稀疏化的Top-K投資組合構建

近年來，量化投資領域對利用深度學習進行股票預測和組合構建的研究日益增多。然而，大多數現有方法要麼單獨處理時間序列預測，要麼僅關注股票間的靜態關係，難以同時捕捉市場中的時間動態和截面依賴。針對這一挑戰，Haoran Guo等人在arXiv上發表的論文《STN-TGAT: Top-K Portfolio Construction via Prior-Guided Graph Attention with Learnable Soft-Threshold Sparsification》提出了一種全新的框架，旨在真實投資環境下實現有效的股票排名與投資組合最佳化。

該論文的核心貢獻在於提出了軟閾值NMI先驗Transformer圖注意力網路（STN-TGAT）。該模型巧妙地將時間Transformer與圖注意力網路（GAT）融為一體。時間Transformer負責從歷史價格序列中提取長期趨勢和週期性模式，而GAT則透過注意力機制動態學習股票之間的關聯強度，從而表徵不斷變化的市場結構。為了進一步提升圖結構的可靠性，作者引入了基於歸一化互資訊（NMI）的先驗圖。NMI是一種衡量變數間依賴關係的非引數指標，能夠有效捕捉非線性關聯。在此基礎上，模型還設計了一個可學習的軟閾值稀疏化模組。該模組能夠自動抑制噪聲連線，同時保留那些真正具有預測價值的資訊邊，從而在稀疏性和資訊量之間取得平衡。

在投資組合構建環節，STN-TGAT充分考慮了實際交易中的各種約束。具體流程包括：從標普500指數成分股中篩選出市值或流動性排名前50的股票，然後利用模型輸出的排名分數選擇前5只作為持倉標的，並基於預測得分進行權重分配。此外，模型還明確計入了交易成本，使得回測結果更貼近真實交易場景。這種端到端的設計使得模型能夠直接針對投資組合收益進行最佳化，而非僅僅關注預測精度。

實驗基於真實市場資料展開，涵蓋了多個年份的股票收益、交易量等指標。對比模型包括傳統的因子模型、LSTM、Transformer以及基礎的GAT等。結果顯示，STN-TGAT在預測準確性（如IC、RankIC）和投資組合收益（如年化收益率、夏普比率）上均顯著優於所有基線。作者認為，其成功的關鍵在於將決策對齊訓練（即直接最佳化組合收益）與自適應關係建模相結合。這一研究為資料驅動的投資組合管理提供了一個連貫且實用的新正規化。

總之，STN-TGAT模型透過融合時序建模和圖學習，並引入先驗知識和稀疏化機制，在量化投資領域展現了巨大的潛力。對於尋求將前沿AI技術應用於金融實踐的從業者而言，這篇論文提供了寶貴的思路和實證依據。