核心观点
　　本报告构建6种资金流向相似性图谱，并用于XGB训练的特征工程环节、图神经网络的训练，为存量因子、模型和策略带来模型IC、TOP组超额、多空收益、指数增强组合的收益增量。将XGB和GAT叠加多图谱后进行集成，进一步带来额外增量。
　　资金流向相似性关系图谱
　　股票之间在同一时段内共同出现资金净流入或流出的频率，反应了驱动股价变化的相似资金行为的影响因素，本报告以此思路构建了6种资金流向相似性图谱。
　　特征工程衍生因子：传统机器学习模型增强
　　在传统XGBOOST训练过程中，在特征工程的环节，基于资金流向相似性图谱的邻接矩阵对存量因子进行因子衍生，将衍生因子和存量因子共同用于模型训练，从而利用股票自身信息及在资金流向相似性图谱上和股票有关联的其他个股信息共同预测个股收益率，从而在模型训练过程中叠加图谱信息，最终通过多图谱集成的方式为模型IC和rankIC带来增量，各指成分股TOP组超额比原始模型提升2%~3%、多空年化收益增量2%~5%。
　　注意力机制图神经网络
　　Graph Attention Network（GAT）是一种基于注意力机制的图神经网络模型，用于学习节点之间的依赖关系。其核心思想是在显示图确定的节点之间的关联关系的基础上，利用注意力机制自适应地学习节点之间的关联度权重。
　　利用GAT模型将资金流向相似性图谱和存量因子一起用于模型训练，相比于不加GAT的相同结构部分的MLP而言，多图集成的GAT方案在各个指数成分股上带来IC增量2%左右，TOP组超额增量2%~5%，多空年化收益增量3%~10%。
　　传统模型与GAT再集成
　　从模型效果来看，基于同样存量因子叠加多图谱训练的神经网络类GAT效果普遍弱于多图谱XGBOOST，但是XGBOOST和GAT模型输出有较低相关性，进一步将两类模型集成能够带来相对XGBOOST模型的增量。最终全市场IC由原始不叠加图谱XGB的9.35%提升至10.53%、多空年化收益由44.8%提升至61.35%。
　　在各个指数成分股上，集成模型相对多图谱XGBOOST带来IC增量0.2%~0.6%，相对不叠加图谱信息的XGBOOST最高带来IC增量1%以上；TOP组超额、多空收益等指标均能进一步带来不同程度的增量。
　　集成模型最终在全市场IC 9.83%，扣费后多空年化60%，300、500、1000成分股TOP组年化超额9.22%、12.60%、17.89%。经过组合优化后超额夏普进一步稳定。
　　风险提示：因子测试、机器学习建模是对历史经验的总结，模型学习到的市场规律在未来存在失效的可能