动态感知超图学习模型DAHL：基于行业异质性与风险调整的股票推荐研究

针对股票推荐中行业动态影响建模不足、超图结构同质化等问题，山东大学团队提出动态感知超图学习模型DAHL。该研究通过注意力机制捕捉行业-个股动态关联，以年化波动率调整行业超边权重，并引入门控机制优化特征传播。实验显示DAHL在A股、纳斯达克(NASDAQ)和纽交所(NYSE)的平均收益率达69%、59%和63%，为量化投资提供新范式。

　　

股票市场的高波动性和非线性特征使得投资决策充满挑战。传统机器学习模型如决策树(DT)和支持向量机(SVM)虽能捕捉非线性关系，但难以处理股票间复杂的高阶关联。近年来，图神经网络(GNN)和超图神经网络(HGNN)虽有所突破，仍存在三大痛点：行业动态影响建模不足、超边权重未考虑风险差异、行业内部个股表现同质化假设。这些问题导致现有模型难以准确反映金融市场的真实生态。

针对上述挑战，山东大学的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出动态感知超图学习模型DAHL。该研究创新性地融合注意力机制与超图卷积，通过中国A股、纳斯达克(NASDAQ)和纽交所(NYSE)三大市场数据验证，证明模型在收益率预测和风险控制方面的优越性。

关键技术包括：(1)构建行业-个股动态感知模块，通过注意力权重量化异质性影响；(2)采用年化波动率调整的行业平均收益作为超边权重；(3)在超图卷积层嵌入门控机制筛选特征。实验使用2015-2022年跨市场数据，包含3,000+股票的多维时序特征。

动态感知模块设计
通过双层注意力架构，第一层计算行业对个股的全局影响权重，第二层捕捉特定时间窗口下的动态关联。该模块成功识别出同一行业内个股表现的显著差异，如新能源板块中龙头股与跟风股的分化现象。

风险调整超边权重
将行业年化波动率σ_annual纳入超边权重计算：w_e=μ_industry/(1+σ_annual)，使高风险行业的贡献度自动衰减。实证显示该设计使模型在2020年美股熔断期间保持稳健。

门控超图卷积
在HGNN层间加入GRU门控单元，过滤噪声特征的同时保留跨行业关联信号。消融实验表明该机制使信息传递效率提升23%。

研究结论表明，DAHL模型通过三大创新实现突破：(1)动态感知模块有效捕捉行业影响的时空异质性；(2)风险调整权重使超图结构更符合金融市场本质；(3)门控机制提升模型抗噪能力。在实践层面，该研究为智能投顾系统提供可解释的决策依据，其行业动态建模思路可延伸至债券、期货等多资产领域。未来工作将探索行业关联网络的时变特性，进一步优化超图结构的动态演化机制。