摘
要
摘要
证券市场是金融市场的重要组成部分。改革开放以来，中国在社会、经
济、文化等领域都取得了举世瞩目的发展成就。伴随着中国国力的崛起，中国
证券市场已从萌芽走向成熟。截止 2022年2月，沪深两市总市值达到86.29
万亿元，相当于 2021年中国 GDP的 75.45%，成为支撑国民经济发展的重要
基石。可以看出，中国证券市场是国民经济不可缺少的组成部分，中国证券市
场的安全稳定对我国宏观经济系统的可持续发展具有关键作用。无论是从投
资、避险，还是风险管理角度，洞悉证券市场的风险溢价都有利于保护市场投
资者的利益、维护企业的内在价值、保障金融市场的繁荣和社会秩序的安定。
事实上，证券市场风险溢价研究是金融领域的一个经典命题。基于微观
视角的证券市场整体和局部波动性解析，本质上是资产定价问题，其核心在
于剖析影响证券市场风险溢价的关键因素，揭示市场微观结构和内在运行机
理。然而，传统资产定价模型大多基于某些重要定价因子，使用线性回归模型
对股票预期收益进行解释和预测。面对如今不断演化、复杂多变的市场运行
环境，传统资产定价模型的效力面临着巨大的挑战，具体而言：
（1）定价因子数量庞大的挑战：随着学术界和业界对因子的挖掘，证券
市场上已经累积了数以百计、能够提供超额收益的定价因子。面对数量如此
之多的定价因子，传统资产定价模型难以将其全部纳入，缺乏针对这些多因
子高维度数据特性的处理手段，使得传统资产定价模型对资产预期收益的解
释能力不足。（2）定价因子交互影响解析的挑战：传统资产定价模型在拟合建
模时，或是将定价因子看作独立特征，或是采用两两因子结合、多个因子结合
的方式构造交互项指标。然而，这种交互项依赖于人为设定，难以有效揭示因
子交互作用力对资产定价的本质影响。尤其是，随着多因子维度的增加，采用
因子交互项方式的构建方式，无法真正反映因子之间的交互性影响，反而会
给传统资产定价模型带来过多的噪音信息，增加模型分析的复杂度。（3）公司
1
面向公司关联的多因子实证资产定价研究—基于深度学习视角
关联关系的挑战：传统资产定价模型主要都是从资产自身视角出发，解释自
身风险因子对其资产价格和预期收益率的影响。然而，证券市场是一个涵盖
多样资本、构成复杂且不断变化的动态市场。在这个综合系统中，上市公司之
间由于其存在的合作与竞争关系、内在价值的关联性、投资者对上市公司未
来发展趋势的认知与比较、以及职能部门的监管需求等多种关联性，构成了
一个极其复杂的动态公司关联网络。可以预想到，在上市公司关联网络中，一
家上市公司的状况，无疑会对其关联公司在资本市场中的表现产生不同程度
的影响。最新金融研究成果表明，基于上市公司关联关系的动量溢出效应，已
经成为了资产波动或风险溢价的重要影响因素之一。但是，由于难以刻画这
种本质、综合、动态的关联关系，鲜有资产定价模型考虑将关联关系纳入其
中，进而无法捕捉和量化动量溢出效应的影响。
因此，本研究针对现有研究不足，致力于使用深度学习框架，采用整体、
连续而非单一的数据关系，对真实证券市场进行智能化建模。具体而言，为了
开展基于数据驱动的实证资产定价研究，本研究首先基于文献梳理，率先收
集、清理、构建出了 2009年到 2020年沪深 300指数成分股的主要多因子数
据库和公司关联关系数据库。值得注意的是，本研究构建的多因子数据库，无
论是从时间跨度，还是因子数量，都是目前学术界最为齐全、丰富的多因子数
据库。随后，本研究创新性地提出了多因子表示学习算法，针对多因子高维
度、以及交互作用的数据特性，进行资产定价建模。并且，在此基础上，进一
步考虑基于公司关联关系的动量溢出效应对资产预期收益的影响，并通过自
适应多图融合算法从多种关联关系中，捕捉公司之间本质、综合的关联。可以
说，本研究提出的深度学习智能计算框架旨在从数据驱动角度对真实市场运
行状态进行建模，探究影响市场波动及风险溢价的本质因素和内在规律，试
图为传统金融学研究提供一个新的研究范式。
基于以上研究工作，本研究实现了实证资产定价研究与深度学习技术的
深度结合，为资产定价经典命题提供了一个新的智能计算解决方案。本研究
的主要贡献和创新点在于以下三个方面：
第一个贡献在于：本研究针对高维度、交互作用的多因子数据特性进行
资产定价建模，提出了矩阵参数化建模的交互特征表示学习算法，将向量化
的高维度市场因子特征，映射到矩阵化的特征空间，并利用深度学习中，参数
2
摘
要
学习的思路，动态对复杂组合的因子对进行建模。通过该方法能够实时捕捉
不同时期因子之间的交互作用关系和强度，利用这种动态的合力作用刻画可
以区分出因子影响的重要程度变化，合理地捕捉其对资产预期收益或波动的
影响。同时，本研究的交互特征表示学习算法，奠定并拓展了深度学习在实证
资产定价中的应用，有助于提升资产定价模型的预测效果和盈利能力，并为
高维度金融数据的处理提供了一个重要的思路和解决手段。
第二个贡献在于：本研究基于公司关联关系的动量溢出影响角度，对复
杂的证券市场整体进行资产定价建模。基于深度学习框架创新性地提出了一
个基于多关系融合的图神经网络算法，实现对证券市场公司关联关系的动态
捕捉和本质刻画。借助该深度学习框架，能够有效探究证券市场波动的本质
和规律，推动了资产定价研究由上市公司自身视角向市场整体资产视角转变
的进程，实现了基于公司关联捕捉动量溢出效应影响的资产定价建模。
第三个贡献在于：本研究采用深度学习框架，首次尝试对真实市场运行
状态进行整体建模，解释股票资产的预期收益或风险溢价，并试图在一个与
传统资产定价统一的评估框架下，对深度学习建模的预测能力的准确性、实
操的可盈利性、以及经济意义的可解释性进行测度。本研究顺应时代发展需
求，为实证资产定价提供了一套完整的智能分析解决方案，能够针对多因子
数据特性和市场动量溢出效应，精准量化资产风险溢价。基于本研究框架，可
以洞察局部风险的演变，最终达到防范资本市场系统性风险目的。
综合而言，本研究提出的面向公司关联的多因子资产定价模型，能够合
理地针对证券市场运行的真实情况，从整体、连续而非单一的数据关系捕捉
影响股票资产预期收益的本质因素。该模型借助深度学习智能计算方法，能
够对多因子高维度和交互作用的数据特性，以及基于公司关联的动量溢出影
响进行刻画，洞悉复杂且动态变化的市场运行全貌，揭示资产风险溢价的内
在机理，补充金融学范式研究的不足，进而保障证券市场的健康、可持续发
展，为政策制定者、上市公司、及所有市场投资者提供决策支持和建议参考。
关键词：多因子实证资产定价；因子交互作用；公司关联关系；动量溢出效应；
深度图神经网络；因子投资
3