可见性图：可见性图（Visibility Graph）是一种图论模型，它将空间中的物体（例如：点、线段、多边形）映射为图中的结点和边。在其拓展到时间序列分析领域后，可见性图能够高效地将时序数据（如价量数据）转化为图结构，以提取时序数据中的有效信息。此图结构在数据形式上体现为二维的整型矩阵，矩阵中的元素均为整数0或1，有效地降低了数据的冗余性，减少了后续深度学习模型在训练过程中的过拟合现象，提升了模型的泛化能力。
　　可见性图与卷积神经网络：本工作提出了基于Visibility Graph-CNN创新架构的高效股价预测模型。首先，使用可见性图算法模型对个股的历史价量数据进行初步的特征提取，而后将提取得到的可见性图送入特别设计的卷积神经网络中，以进一步提取价量特征，并与个股的未来走势进行建模，以实现对未来股价的预测。由于可见性图是低维度的整型矩阵，因此本工作设计了一个参数量少、复杂度低的卷积神经网络将其与未来股价进行建模，进一步减少了模型的过拟合情况，提升了模型在样本外数据的预测能力。
　　实证分析：本工作采用过往20日和60日价量数据分别构建了两个Visibility Graph-CNN模型，以实现对未来20个交易日截面上的个股进行股价预测，并根据预测的股价上涨概率将个股分为10档，以此构建多、空组合。回测结果表明，两个模型的因子在各大板块当中均取得了较为单调的分档收益。在2020～2023年样本外回测期间，20日模型因子在全市场的平均RankIC为5.39%，多头年化收益率为10.35%，最大回撤率为17.85%，相比同期中证全指的超额年化收益率为9.57%；而60日模型因子在全市场的平均RankIC为5.61%，多头年化收益率为10.24%，最大回撤率为19.51%，相比同期中证全指的超额年化收益率为9.61%；整体而言，20日模型和60日模型的表现差异不大。在细分板块上，20日模型因子在中证500、中证1000、创业板上分别取得了6.41%、7.56%、8.79%的多头年化收益率；而60日模型因子在中证500、中证1000、创业板上分别取得了4.83%、6.08%、11.79%的多头年化收益率。
　　风险提示：本专题报告所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时可能存在失效风险；策略在市场结构及交易行为的改变时有可能存在策略失效风险;因量化模型不同，本报告提出的观点可能与其他量化模型结论存在差异。