本文为《 EP-GAT: Energy-based Parallel Graph Attention Neural Network for Stock Trend Classification 》的阅读笔记，原文链接： https://arxiv.org/abs/2507.08184v1。
布里斯托大学团队提出 EP-GAT 模型，为股票趋势预测提供新方案。其用能量差异与玻尔兹曼分布构建动态股票关联图，捕捉股票间实时依赖；借并行图注意力机制保留个股层级特征，避免信息失真。在英美 5 大股市 503 只股票 5 年数据测试中，EP-GAT 准确率平均超基线 7.61%，纳斯达克市场达 58%。Ablation 实验证明，动态图与并行注意力模块分别使准确率提升 2.25%、8.05%，为投资决策提供有力支撑。
股票市场的高波动性和复杂关联性，让趋势预测始终是投资领域的 "硬骨头"------ 传统模型要么忽略股票间的动态关联，要么丢失个股自身的层级特征，预测准确率难以突破。2025 年，布里斯托大学团队提出能量基并行图注意力神经网络（EP-GAT），创新融合玻尔兹曼分布与并行图注意力机制，既能捕捉股票间的动态依赖，又能保留个股层级特征，在英美 5 大股市数据集上表现远超传统模型，为股票趋势预测提供了更精准的技术方案。
一、股票预测的 "两大痛点"：传统模型为何失灵？
股票市场的核心复杂性源于 "外部关联" 与 "内部特征" 的双重挑战，传统模型往往顾此失彼：
1.1 股票间关联动态多变，静态模型难以适配
股票间的影响关系并非固定不变 ------ 比如新能源板块的波动可能在某段时间传导至光伏个股，却在另一阶段与储能个股强相关。但传统图神经网络（GNN）多依赖行业分类、供应链等静态因素构建股票关联图，无法捕捉这种随时间变化的动态依赖，导致预测时遗漏关键市场信号。
1.2 个股层级特征易丢失，长期趋势难捕捉
单只股票的价格波动包含不同尺度的层级特征：短期受日内交易情绪影响，中期受行业政策驱动，长期受公司基本面支撑。但普通 GNN 在信息传播过程中，容易让这些层级特征相互干扰、失真，无法精准捕捉个股的长期 temporal 规律，进而影响趋势判断的准确性。
以美股纳斯达克市场为例，传统模型在预测个股次日涨跌时，准确率往往仅维持在 50%-55%，难以形成稳定的投资参考价值。
二、EP-GAT 的核心创新：能量建模 + 并行注意力双管齐下
EP-GAT 的突破在于针对性解决上述两大痛点，通过 "动态图生成" 与 "并行注意力" 两大核心模块，实现对市场的全方位建模：
图1 EP-GAT模型整体架构示意图
2.1 动态股票图生成：用能量差异捕捉实时关联
EP-GAT 摒弃静态关联假设，基于玻尔兹曼分布和股票能量差异，动态构建股票关联图，核心逻辑如下：
· 股票能量定义：将股票的历史指标（开盘价、收盘价、成交量等）转化为能量值，公式为：
其中Xti, n是股票 i 在时间 t 的第 n 个指标值，能量值能反映股票的市场影响力 ------ 能量越高的股票，对其他股票的潜在影响通常越强。
· 玻尔兹曼分布赋权：利用玻尔兹曼分布，根据股票间的能量差异计算关联权重，公式为：
其中τ是历史窗口大小（近似系统温度），k 是调节因子。能量差异越小的股票，关联权重越高，且权重随时间动态更新，完美适配市场关联的变化特性。
· 图稀疏化优化：通过阈值筛选剔除弱关联噪声，让模型聚焦核心股票间的相互影响，提升计算效率与预测精度。
2.2 并行图注意力机制：保留个股层级特征
为避免层级特征失真，EP-GAT 设计并行图注意力机制，将特征学习与信息传播解耦：
· 核心公式为：
其中η(·)是图注意力传播操作，γ (·)是多头注意力融合，|| 表示特征拼接。
· 工作原理：在每一层传播中，既保留上一层的层级特征，又融入新的传播信息，通过多头注意力加权融合，确保短期波动、中期趋势、长期规律等不同层级特征不被干扰，完整保留个股的动态演化轨迹。
2.3 整体架构：从数据到预测的全流程
EP-GAT 的整体流程清晰高效：
1.输入美股、英股等市场的多维度股票历史数据（5 大数据集涵盖 503 只股票 5 年数据）；
2.动态图生成模块基于能量差异和玻尔兹曼分布，构建实时股票关联图；
3.并行图注意力模块对关联图进行特征提取，保留层级特征；
4.通过线性层输出次日股票涨跌趋势预测结果**（二分类：上涨 / 下跌）**。
三、实验验证：5 大股市数据集见证精准预测
团队在伦敦证交所（LSE123）、纳斯达克（NASDAQ98）、标普 100（SP101）等 5 大真实数据集上测试，EP-GAT 的表现全面超越 5 类基线模型（含 GNN、Transformer 类主流方法）：
3.1 核心指标领先：准确率平均提升 7.61%
图2 EP-GAT与基线模型在5大股市数据集上的性能对比
· 分类准确率（ACC）：EP-GAT 平均达 56% 以上，较基线模型平均提升 7.61%，在波动剧 烈的纳斯达克市场，准确率更是突破 58%；
· 马修相关系数（MCC）：平均提升(2.63×10^{-2})，F1-Score 平均提升 0.06，证明模型在正负样本不平衡的市场中，依然能稳定预测。
3.2 ablation 实验验证：两大模块缺一不可
通过移除核心模块进行对比测试：
图3 EP-GAT ablation实验结果图
· 去掉动态能量图，改用静态行业关联图：模型准确率平均下降 2.25%，证明动态关联建模的必要性；
· 去掉并行图注意力，改用普通图注意力：准确率平均下降 8.05%，凸显层级特征保留的关键作用。
3.3 超参数稳健：适应不同市场特性
EP-GAT 的关键超参数（历史窗口 τ、调节因子 k、稀疏化阈值 s）在不同市场中表现稳健：
· 历史窗口 τ 在 14-23 天区间时性能最优，契合股票市场 "20 天左右为一个短期趋势周期" 的规律；
· 调节因子 k 可根据市场特性适配，复杂关联的市场（如纳斯达克）需更小 k 值，突出能量差异的影响。
四、落地价值：从个人投资到机构决策的应用
EP-GAT 的精准预测能力，能为不同场景提供实用支撑：
4.1 个人投资辅助
普通投资者可借助 EP-GAT 的预测结果，筛选高概率上涨个股，降低盲目跟风带来的风险，尤其适合缺乏专业分析能力的散户。
4.2 机构量化交易
量化基金可将 EP-GAT 整合到交易策略中，作为个股涨跌预判的核心模块，结合风险控制模型，构建更稳健的量化交易系统 ------ 其动态适配市场关联的特性，能更好应对突发政策、行业事件带来的市场波动。
4.3 市场风险监控
监管机构可利用 EP-GAT 捕捉股票间的异常关联，及时发现跨板块的风险传导迹象，为市场稳定调控提供数据支撑。
五、未来展望：更贴合真实市场的优化方向
团队指出，EP-GAT 仍有两大优化空间：
· 目前股票关联图为无向图，未来可构建有向图，区分 "龙头股→跟风股" 的单向影响关系，进一步提升关联建模精度；
· 优化并行注意力机制的计算效率，适配更多股票的大规模预测场景，满足全市场覆盖的需求。
六、总结
EP-GAT 的核心价值，在于首次将 "能量物理模型" 与 "并行图注意力" 结合 ，既解决了股票关联动态变化的建模难题，又攻克了层级特征丢失的痛点。其在 5 大股市的优异表现，证明了 "动态关联 + 层级特征" 双重视角的有效性，为股票趋势预测提供了新的技术范式 ------ 未来随着模型的持续优化，有望让股票预测从 "模糊判断" 走向 "精准量化"，为金融市场的稳健发展注入技术动力。
点击更多，学习更多精彩内容。