本篇报告采用属性敏感的图注意力网络解决通过动量溢出效应预测股票走势的两个问题：（1）如何设计恰当的网络来处理属性敏感的动量溢出效应；（2）如何找到一种恰当的动态关系建模公司间的动态关联网络。
　　二级市场的动量溢出效应，普遍存在却难以量化
　　在股票市场中，一家公司股价的变化可能影响与其关联的其他公司股价，即动量溢出效应普遍存在，但很多传统方法却很难精准量化这种传播。如图神经网络GCN、GAT虽然聚合了关联公司的信息，但忽略了属性的差异性，而关联公司之间的影响属性本身是非常敏感的。同时，传统方法多依赖预定义关系，这种关系是低频变化甚至是静态的，很难实时反映公司关系的变化。
　　 DAM-GAT架构解决属性敏感与自动学习公司间的关联网络
　　本文构建了一种属性敏感且动态的图神经网络（DAM-GAT），来处理股票间属性敏感的动量溢出，并通过主动学习建立连接各个公司的动态关联网络。该模型结合高维张量在横截面捕捉特征的交互作用，通过GRU处理特征的时序依赖问题，通过引入门控机制来刻画公司间的属性敏感性，通过动态关系推断公司关系，既考虑了属性差异，又自动学习了节点间的潜在联系，整体超越传统GNN模型的局限性。
　　 DAM-GAT模型展现了一定的收益预测能力
　　通过DAM-GAT模型，以高频量价与以基本面为主的传统因子为输入预测的股票未来5日的收益因子在不同指数域的都有选股能力，尤其在中小市值股票中表现出色。2020-2023年，周频调仓模式下，5因子在全域的Rank IC为6.8%，ICIR为7.39，IC周胜率88.2%，费后多空年化超额41.09%，多头年化收益24.11%，较全A等权的超额13.43%，连续4年均取得了显著正超额。从指增策略的表现看，基于5的指增策略在沪深300、中证500、中证1000、国证2000的年度超额分别为5.17%、8.55%、12.08%和11.08%。
　　风险提示
　　量化模型基于历史数据，过去的回测业绩不代表未来；量化模型本身存在失效的风险。