图神经网络在量化投资中的应用：动态MACD参数预测

1. 项目概述：用图神经网络构建智能股票MAC分析系统

在量化投资领域，移动平均收敛发散指标（MACD）作为经典技术分析工具已有数十年历史。传统计算方法简单粗暴：用12日EMA减去26日EMA得到DIF线，再对DIF取9日EMA得到DEA线。这种固定参数设置存在明显滞后性，难以适应不同股票的特性。我在实际回测中发现，对波动剧烈的科技股和走势平稳的消费股使用同一套参数，年化收益差距可达30%以上。

图神经网络（GNN）的兴起为解决这一问题提供了新思路。与CNN、RNN等传统深度学习模型不同，GNN擅长处理非欧几里得数据。股票市场本质上就是一张动态变化的图——每只股票是节点，行业关联、供应链关系、股东结构等都是边。通过构建包含3000+A股股票的异构图网络，我们能让模型自动学习不同股票间的传导效应，为每只股票生成定制化的MACD参数。

这个项目的核心创新点在于：

• 将传统技术指标计算升级为动态参数预测
• 引入行业关联度、资金流向等非价格数据
• 通过注意力机制自动识别关键关联股票
• 实现端到端的信号生成与回测验证

2. 系统架构设计

2.1 数据层构建

原始数据需要包含以下几个维度：

python复制# 基础行情数据（日频）
class MarketData:
    open: float  
    high: float
    low: float
    close: float
    volume: float
    turnover: float  # 成交额
    
# 股票关联数据
class RelationData:
    industry: List[str]  # 所属行业(申万三级)
    supplier_chain: Dict[str, float]  # 供应商关系及权重
    shareholder: Dict[str, float]  # 共同股东占比
    
# 宏观因子数据
class MacroData:
    shibor: float  # 上海银行间同业拆放利率
    cpi: float     # 消费者物价指数
    pmi: float     # 采购经理人指数

2.2 图结构建模

使用PyTorch Geometric构建异构图网络：

python复制import torch_geometric as tg

# 节点特征矩阵
node_features = {
    'stock': technical_features,  # 技术面特征
    'industry': industry_embeddings,  # 行业embedding
    'concept': concept_embeddings   # 概念板块embedding
}

# 边类型定义
edge_types = [
    ('stock', 'belongs_to', 'industry'),
    ('industry', 'correlates_with', 'industry'), 
    ('stock', 'supplies', 'stock'),
    ('stock', 'shared_holder', 'stock')
]

# 异构图构建
hetero_data = tg.data.HeteroData()
for node_type in node_features:
    hetero_data[node_type].x = node_features[node_type]
    
for src_type, relation, dst_type in edge_types:
    hetero_data[src_type, relation, dst_type].edge_index = build_edge_index(relation)

2.3 模型核心组件

采用RGCN+Transformer的混合架构：

python复制class StockGNN(torch.nn.Module):
    def __init__(self):
        # 异构卷积层
        self.conv1 = tg.nn.HeteroConv({
            rel: tg.nn.GCNConv(in_channels, hidden_dim)
            for rel in edge_types
        })
        
        # 时序特征提取
        self.temporal_attn = nn.TransformerEncoderLayer(
            d_model=hidden_dim,
            nhead=8
        )
        
        # 参数预测头
        self.macd_head = nn.Sequential(
            nn.Linear(hidden_dim*2, 64),
            nn.ReLU(),
            nn.Linear(64, 3)  # 输出fast_len, slow_len, signal_len
        )

3. 关键实现细节

3.1 动态参数预测

传统MACD使用(12,26,9)固定组合，我们改为模型预测：

python复制def dynamic_macd(close_prices, pred_params):
    """
    close_prices: [T,] 历史收盘价序列
    pred_params: [3,] 模型预测的(fast, slow, signal)参数
    """
    fast_ema = EMA(close_prices, int(pred_params[0]))
    slow_ema = EMA(close_prices, int(pred_params[1]))
    dif = fast_ema - slow_ema
    dea = EMA(dif, int(pred_params[2]))
    macd = (dif - dea) * 2
    return dif, dea, macd

重要提示：参数预测需要约束在合理范围内（fast∈[5,20], slow∈[15,40], signal∈[5,15]），避免出现极端值导致指标失效。

3.2 自适应损失函数

设计多任务损失函数：

python复制def hybrid_loss(pred, target):
    # 参数预测损失（MSE）
    param_loss = F.mse_loss(pred[:,:3], target[:,:3])
    
    # 买卖信号损失（带权重的交叉熵）
    signal_loss = F.cross_entropy(
        pred[:,3:5], 
        target[:,3].long(),
        weight=torch.tensor([1.0, 3.0])  # 加大买入信号的权重
    )
    
    # 趋势方向损失（余弦相似度）
    trend_loss = 1 - F.cosine_similarity(pred[:,5:], target[:,5:])
    
    return 0.5*param_loss + 1.0*signal_loss + 0.2*trend_loss

4. 回测与优化

4.1 回测框架设计

使用Backtrader进行策略验证：

python复制class GNNStrategy(bt.Strategy):
    params = (
        ('lookback', 60),  # 使用60天数据预测参数
        ('hold_period', 5)  # 持仓5天
    )
    
    def __init__(self):
        self.macd_params = []  # 存储预测参数
        self.signal = 0       # 当前信号
        
    def next(self):
        # 每5天重新预测参数
        if len(self) % self.p.hold_period == 0:
            window_data = self.datas[0].close.get(size=self.p.lookback)
            gn_input = build_gnn_input(window_data)
            with torch.no_grad():
                params = model(gn_input)
            self.macd_params = params.cpu().numpy()
        
        # 计算动态MACD
        dif, dea, macd = dynamic_macd(
            self.data.close.get(size=26),
            self.macd_params
        )
        
        # 生成交易信号
        if macd[-1] > 0 and macd[-2] <= 0:
            self.signal = 1  # 金叉买入
        elif macd[-1] < 0 and macd[-2] >= 0:
            self.signal = -1  # 死叉卖出

4.2 参数优化技巧

通过网格搜索确定最优超参数组合：

5. 实战效果与调优建议

5.1 不同市场环境下的表现

在2018-2023年A股测试集上的表现：

关键发现：系统在趋势行情中表现优异，但在单边下跌市仍需结合止损机制。建议当MACD柱状体连续3日缩量时强制平仓。

5.2 常见问题排查

1. 指标滞后严重

   • 检查是否输入了足够长的历史数据（建议至少200交易日）
   • 验证动态参数是否正常更新（打印参数变化日志）
   • 尝试增加短期均线权重（调整损失函数）

2. 交易信号过于频繁

   • 增加信号过滤条件（如要求成交量放大20%）
   • 引入最小波动幅度阈值（如价格波动<2%忽略）
   • 延长持仓周期（从5天调整为10天）

3. 行业关联失效

   • 更新行业分类数据（特别是新兴产业）
   • 加入产业链景气度指标
   • 调整图注意力层的温度系数

6. 扩展应用方向

这套框架经过适当修改可应用于：

• 期货市场跨品种套利（将不同合约作为节点）
• 加密货币市场情绪分析（加入社交媒体关联）
• 宏观经济指标预测（构建国家-行业-企业三层图）

我在实盘中使用的主要改进包括：

1. 加入北向资金流向作为节点特征
2. 对财报季和非财报季使用不同图结构
3. 在DEA线中融入波动率调整因子

最后分享一个实用技巧：当系统出现连续3次错误信号时，可以临时切换到(12,26,9)传统参数组合，待市场结构重新稳定后再启用动态预测。这能有效避免极端市场条件下的异常亏损。