兴证金工团队自2020年起便积极探索机器学习在量化领域的应用，以树模型为代表的宽基增强策略（沪深300指增等）样本外表现十分优秀。时至今日，我们将该领域的研究分为两个方向：对现有成熟模型的优化以及新兴模型的实战化验证。本文中，我们将探究相对新颖的图神经网络模型，重点强调如何基于图将量价时序信息和基本面信息进行结合。
　　本文中，我们将重点尝试将以高频时序量价信息为输入的GRU模型，以及以低频信息作为输入的GAT模型进行结合，并通过多头注意力机制、权重调整等方式实现多类关系图下的图神经网络模型的搭建。
　　从因子Rank IC测试结果上看，基于多图注意力机制的模型表现优秀，其稳定性相对优于基准GRU模型。此外，模型在大票中表现更加优秀：在全市场范围内因子月度IC均值约为0.127，沪深300中月度IC均值约为0.096，具备一定增量。改进后因子在大盘股指数增强上表现优秀：2020年以来，沪深300增强策略年化超额收益率约为11.7%，超额Sharpe比率2.37，最大回撤仅5.2%。
　　风险提示：模型结果基于历史数据的测算，在市场环境转变时模型存在失效的风险