多关系图神经网络股票收益预测与量化投资决策
研究背景
本课题面向 AI+金融科技+量化投资的交叉方向，围绕“如何将股票之间真实存在的经济关系引入深度学习收益预测模型”展开。传统因子模型、统计模型和树模型能够处理大量横截面特征，但往往难以同时表达股票之间的行业联动、机构共同持仓、市场状态变化和时间序列依赖；单纯的时序模型虽能捕捉价格与因子序列的动态特征，却容易把每只股票视为相互独立的样本，忽略 A 股市场中强烈的板块共振和资金行为传导。本课题以 TGNN 为核心，设计“多关系图建模 + 自适应门控融合 + 时序编码 + 组合回测评估”的完整研究路线。
课程材料包含股票个体因子、市场层面特征、行业关系矩阵与机构持仓关系矩阵，可用于构建 A 股股票池上的收益预测任务。关系数据分别刻画“同一行业暴露”和“共同机构持仓”带来的跨股票依赖。模型目标不是预测绝对价格，而是预测下一期股票收益，并通过 IC、RankIC、ICIR、RICIR、年化收益 AR、信息比率 IR 和组合回测表现进行评价。
课程将把 TGNN 拆解成可教学、可复现、可扩展的科研训练项目：前半程完成金融数据理解、特征-标签构建、传统机器学习与时序模型 baseline；中段实现行业/机构双关系图、关系增强注意力、自适应门控和时序编码器；后半程完成消融实验、参数敏感性、极端市场解释、组合回测与项目图表整理。通过这一主线，学生不仅能够训练一个收益预测模型，更能理解金融 AI 研究中“预测精度、风险收益、可解释性、数据泄漏控制和交易可实施性”之间的关系。
关键词：AI for Finance；quantitative finance；stock return prediction；TGNN；multi-relational graph；adaptive gating；institutional ownership；industry relation；portfolio backtesting；CSI300；CSI800。
课题创新点
老师介绍
K老师，剑桥大学工程学院电子工程方向博士，研究方向覆盖人工智能、无线通信、机器人、光子器件、传感系统与工程建模等多个交叉领域，具备扎实的工程基础、科研训练与跨学科研究能力。
主要研究方向包括人工智能、机器学习、深度学习、AI+金融、量化金融、股票收益预测、金融时间序列建模、图神经网络等。
以第一作者发表 SCI 论文 8 篇，其中包括中科院一区论文 4 篇、二区论文 2 篇、三区论文 2 篇，另有十余篇 SCI/EI 合作论文。代表性成果发表于 IEEE Transactions on Robotics（IEEE TRO，中科院一区 Top，IF=10.5）、IEEE Transactions on Intelligent Transportation Systems（IEEE T-ITS，中科院一区Top，IF=8.4）、Expert Systems with Applications（ESWA，中科院一区Top，IF=7.5）、Neural Networks（中科院二区 Top，IF=6.3）等高水平期刊。熟悉 IEEE、Elsevier、Springer 等主流期刊写作、投稿与审稿逻辑，可从审稿人视角帮助学生优化创新点、实验设计、结果分析和 rebuttal 回复。
课程大纲
课程构成： 12节小班课
4V1多维论文支持体系
| 角色 | 职责 |
|---|---|
| 班主任 | 督学，跟进学习进度，规划全程进度管理 |
| 课程顾问 | 答疑、提供前沿文献资料与研究方法 |
| 主导师 | 授课，全程不定时答疑，提供方向性指导 |
| 代码导师 | 辅助教学，协助代码调试与技术落地 |
服务内容
✅ 12节1v多小班研讨课（4–8人精品小组，每周1次，约90分钟/次）
✅ 2节不限时1v1深度辅导（个性化选题 + 论文修改 + 科研规划）
✅ 全程导师在线答疑（微信群，24小时内回复）
✅ 完整课程资料（论文精读笔记、代码模板、写作指南、投稿Checklist）
✅ 课程结束后3个月内持续跟踪辅导（投稿后修改、Rebuttal支持）
✅ 科研能力评估报告 + 符合条件者可获导师推荐信
✅ 课程永久回放，随时可学
多关系 图神经网络股票收益预测与量化投资决策
研究背景
本课题面向 AI+金融科技+量化投资的交叉方向，围绕“如何将股票之间真实存在的经济关系引入深度学习收益预测模型”展开。传统因子模型、统计模型和树模型能够处理大量横截面特征，但往往难以同时表达股票之间的行业联动、机构共同持仓、市场状态变化和时间序列依赖；单纯的时序模型虽能捕捉价格与因子序列的动态特征，却容易把每只股票视为相互独立的样本，忽略 A 股市场中强烈的板块共振和资金行为传导。本课题以 TGNN 为核心，设计“多关系图建模 + 自适应门控融合 + 时序编码 + 组合回测评估”的完整研究路线。
课程材料包含股票个体因子、市场层面特征、行业关系矩阵与机构持仓关系矩阵，可用于构建 A 股股票池上的收益预测任务。关系数据分别刻画“同一行业暴露”和“共同机构持仓”带来的跨股票依赖。模型目标不是预测绝对价格，而是预测下一期股票收益，并通过 IC、RankIC、ICIR、RICIR、年化收益 AR、信息比率 IR 和组合回测表现进行评价。
课程将把 TGNN 拆解成可教学、可复现、可扩展的科研训练项目：前半程完成金融数据理解、特征-标签构建、传统机器学习与时序模型 baseline；中段实现行业/机构双关系图、关系增强注意力、自适应门控和时序编码器；后半程完成消融实验、参数敏感性、极端市场解释、组合回测与项目图表整理。通过这一主线，学生不仅能够训练一个收益预测模型，更能理解金融 AI 研究中“预测精度、风险收益、可解释性、数据泄漏控制和交易可实施性”之间的关系。
关键词：AI for Finance；quantitative finance；stock return prediction；TGNN；multi-relational graph；adaptive gating；institutional ownership；industry relation；portfolio backtesting；CSI300；CSI800。
课题创新点
老师介绍
K老师，剑桥大学工程学院电子工程方向博士，研究方向覆盖人工智能、无线通信、机器人、光子器件、传感系统与工程建模等多个交叉领域，具备扎实的工程基础、科研训练与跨学科研究能力。
主要研究方向包括人工智能、机器学习、深度学习、AI+金融、量化金融、股票收益预测、金融时间序列建模、图神经网络等。
以第一作者发表 SCI 论文 8 篇，其中包括中科院一区论文 4 篇、二区论文 2 篇、三区论文 2 篇，另有十余篇 SCI/EI 合作论文。代表性成果发表于 IEEE Transactions on Robotics（IEEE TRO，中科院一区 Top，IF=10.5）、IEEE Transactions on Intelligent Transportation Systems（IEEE T-ITS，中科院一区Top，IF=8.4）、Expert Systems with Applications（ESWA，中科院一区Top，IF=7.5）、Neural Networks（中科院二区 Top，IF=6.3）等高水平期刊。熟悉 IEEE、Elsevier、Springer 等主流期刊写作、投稿与审稿逻辑，可从审稿人视角帮助学生优化创新点、实验设计、结果分析和 rebuttal 回复。
课程大纲
课程构成： 12节小班课
4V1多维论文支持体系
| 角色 | 职责 |
|---|---|
| 班主任 | 督学，跟进学习进度，规划全程进度管理 |
| 课程顾问 | 答疑、提供前沿文献资料与研究方法 |
| 主导师 | 授课，全程不定时答疑，提供方向性指导 |
| 代码导师 | 辅助教学，协助代码调试与技术落地 |
服务内容
✅ 12节1v多小班研讨课（4–8人精品小组，每周1次，约90分钟/次）
✅ 2节不限时1v1深度辅导（个性化选题 + 论文修改 + 科研规划）
✅ 全程导师在线答疑（微信群，24小时内回复）
✅ 完整课程资料（论文精读笔记、代码模板、写作指南、投稿Checklist）
✅ 课程结束后3个月内持续跟踪辅导（投稿后修改、Rebuttal支持）
✅ 科研能力评估报告 + 符合条件者可获导师推荐信
✅ 课程永久回放，随时可学