基于扩散图神经网络的CTA策略初探

摘要

本文探讨了图神经网络（GNN）在期货量化策略中的应用，以扩散图神经网络为核心框架，构建跨品种间的信息传播机制，实现对未来价格涨跌的分类预测。研究基于主力合约行情数据，通过构建图结构输入、引入时间步多尺度嵌入层与注意力机制，完成对未来价格涨跌的分类预测任务。回测结果显示，该模型在Top-K多空策略中具备一定的阿尔法捕捉能力。

核心观点

1. 期货市场的图结构建模需求强烈：期货市场中存在显著的跨品种结构性联动，适合借助图神经网络进行关联建模。
2. 图神经网络具有天然的信息扩散与聚合优势：模型能够有效扩散并编码邻接图中的高阶依赖信息；同时引入的多头注意力机制增强了不同时间尺度与特征通道的建模能力。
3. 实证验证具备阿尔法能力：以近几年主流商品合约数据为例，模型在Top-K多头、空头组合上显著优于传统截面策略，具备一定的超额收益获取能力，尤其在波动增强的阶段预测能力更为突出。
4. 存在进一步优化空间：当前策略仍基于单步分类决策，未来可融合价格幅度回归目标、引入品种属性图谱、优化目标函数结构等方向进一步提升策略泛化能力与实际交易性能。

关键数据和研究结论

• 数据信息与预处理：使用国内商品期货市场主力合约日线行情数据，涵盖黑色、有色、化工、农产品等多个板块的主流交易品种。
• 交易构建：采用21天滚动预测窗口的日频交易方式，基于模型输出的上涨概率进行多头空头组合构建。
• 结果回测：策略自2023年8月起运行至2025年5月期间整体呈现稳健上行趋势，年化收益率38.45%，年化波动率16.15%，夏普比率2.38，信息比率1.92。策略收益大致符合正态分布形态，但分布曲线右尾略厚，呈现“右偏+厚尾”特征，表明策略在风险可控的前提下，具备较好的防御属性和尾部回撤管理能力。