基于多关系图神经网络的股票价格预测与投资组合优化研究

为解决股票价格非线性波动和现有模型忽略股票间关联性的问题，印度Sardar Vallabhbhai国立理工学院团队提出多关系感知时序网络(MR2TNet)，通过构建行业、技术和基本面三重视角的知识图谱，结合GCN-CNN-LSTM混合架构，实现NIFTY-50指数16%年化收益提升，创新性提出EWR-CVaR组合优化方法。

　　

股票市场犹如一片暗流涌动的海洋，价格波动受到行业趋势、投资者心理、政治事件等多重因素交织影响。传统预测方法如ARIMA（自回归积分滑动平均模型）和GARCH（广义自回归条件异方差模型）受限于线性假设，而深度学习模型虽能捕捉复杂模式，却常忽视股票间微妙的关联网络。印度国家证券交易所数据显示，近五年新增1.2亿投资者涌入市场，亟需更精准的预测工具。

印度萨达尔·瓦拉巴伊国立理工学院（Sardar Vallabhbhai National Institute of Technology, Surat）的Manali Patel团队在《Neurocomputing》发表研究，提出革命性的多关系感知时序网络MR2TNet。该模型突破性地构建三类知识图谱：行业图谱（蓝色连接线）刻画同板块股票联动，技术图谱（绿色线）通过动量指标捕捉价格趋势关联，基本面图谱（红色线）利用市盈率等12项财务比率（详见原文表2）评估企业健康度。研究创新性地采用GCN（图卷积网络）融合多源关系，结合CNN（卷积神经网络）提取非线性特征，LSTM（长短期记忆网络）建模时间序列，并设计联合预测-方向损失函数优化训练。

关键技术方法包括：1) 从印度NIFTY-50指数采集50支股票5年市场数据；2) 构建行业/技术/基本面三维邻接矩阵；3) 开发上下文敏感聚合层实现多图谱特征融合；4) 提出EWR-CVaR（等权重风险约束）组合优化算法。

结果分析显示：

• 预测精度：MR2TNet在8个测试阶段中6个阶段准确率领先（表6），尤其在Phase 3达到53.17%，显著优于GCN-LSTM基准模型
• 组合收益：年化收益率达16%，夏普比率提升21%（图5），证明基本面图谱对识别低估股票的关键作用
• 风险控制：CVaR（条件风险价值）约束使组合最大回撤降低34%（表8）

讨论部分揭示：

1. 失败案例多集中于受突发政策影响的能源板块，反映模型对宏观事件敏感性不足
2. 超参数分析显示50天时间窗口最优（图7），过短易受噪声干扰，过长导致梯度消失
3. 消融实验证实三图谱联合使用使F1-score提升9.8%（表9）

该研究首次实现行业-技术-基本面三维关系的量化建模，其EWR-CVaR组合框架为智能投顾提供新范式。未来可引入新闻舆情图谱增强宏观事件响应能力，这对新兴市场投资者具有重要实践指导价值。