paperthgnntransformergatfisher-zspongebasket-tradingus-equitysp500regime-detection

Fanshawe, Masih & Cameron (2025) — Forecasting Equity Correlations with Hybrid Transformer Graph Neural Network

大白话：这篇论文用 Transformer + 图注意力网络的混合结构（THGNN）预测未来 10 天的股票两两相关系数，预测相关系数与实际值的 Pearson 相关从 0.31 提高到 0.78；把预测的相关矩阵喂给 SPONGEsym 聚类做多空篮子，年化夏普 1.84，远高于标普 500 的 0.65。

作者：Jack Fanshawe、Rumi Masih（通讯作者）、Alexander Cameron。University of Queensland Business School。

发表于：arXiv 预印本 2601.04602，日期 01/07/2025。

贡献

一个时间-异质图神经网络 (Temporal-Heterogeneous GNN)（Transformer 时间编码器 + 边感知的 GAT 关系编码器），在标普 500 的 37 个特征上训练，用来预测未来 10 天的股票两两相关系数，预测值取相对 30 天滚动基准的 Fisher-z 残差空间。预测出的相关矩阵再喂给 SPONGEsym 聚类，以及 Korniejczuk Slepaczuk 2024 Graph Clustering Stat Arb 的机器学习集成信号过滤器，用于多空篮子交易。

核心数字

相关性预测（样本外 2019–2024，2.69 亿条边）

指标 持续性基准 THGNN
Pearson r 0.310 0.778
Spearman \rho 0.314 0.795
MAE 0.3071 0.2302
RMSE 0.3852 0.2940

交易（2019-04 → 2024-10，标普 500）

指标 THGNN 前瞻 标普 500
夏普 1.84 0.65
年化收益 19.20% 14.43%
最大回撤 −9.4% −33.9%
最长亏损持续时间 82 天 512 天

夏普差异：单侧 Ledoit-Wolf 平稳自助法 (stationary bootstrap)，p = 0.0200。

架构上的来源

这篇论文真正的贡献是依赖度量的升级 —— 把滚动窗口相关系数换成机器学习预测的前瞻相关系数 —— 而不是交易引擎里加了新组件。

对本 wiki 的意义

  • 本 wiki 中第一篇明确把相关性当作可预测的状态变量、而不是回望式的汇总统计量的论文。
  • 把滚动窗口估计量换成前瞻预测，在下游交易任务中价值的最强实证展示（2.69 亿条边上 Pearson 从 0.31 提到 0.78）。
  • 对自身局限很诚实：没算滑点，没做与 LSTM/CNN 的消融，没做超参数搜索，只用了一个归因族，也没能复现 Korniejczuk–Slepaczuk 的机器学习过滤增益。

相关页面

完整摘要