基于动态图节点亲和力的机构股权持仓预测

# 使用动态图节点亲和力的机构持股预测

**来源：** https://arxiv.org/html/2607.12067

**作者：** Zahed Rahmati  
zrahmati@aut\.ac\.ir  
德黑兰阿米尔卡比尔理工大学数学与计算机科学系，伊朗德黑兰

###### 摘要

机构投资者在 SEC 13F 表格中披露的机构持股数据，为大型投资管理公司的投资组合决策提供了丰富的时间序列记录。然而，由于披露延迟、报告噪声以及机构行为的强持续性，预测未来资产配置和建模样式未来需求仍具挑战。我们首次引入基于时序图机器学习的基准测试，将持股预测问题建模为节点亲和力预测（即预测投资组合权重），数据源自离散时间、时态二分图——该图由预处理后的 13F 申报文件中提取的基金经理与证券构成。实验所用数据集包含 99 位基金经理与 S&P 500 指数（503 只证券，覆盖 2013–2025 年共 48 个季度，含 209,351 条时态边）。采用含有虚拟状态的节点亲和力预测模型（NAVIS），在含特征设置下达到测试集归一化折损累计增益（NDCG）0.9127（不含特征时为 0.9121），显著优于所有动态图表示学习对手以及所有启发式方法。值得注意的是，简单的指数移动平均基线取得了 0.8882，超越了除 NAVIS 之外的所有动态图模型及除持久预测（0.8891）以外的所有启发式方法，突显了机构投资组合的强平滑性与持续性。领域特定节点特征带来的提升非常有限（<1.2%），表明 13F 持股图中的时序与结构信号已捕获了大部分可预测信息。通过在节点亲和力预测框架下对一组 Temporal Graph Benchmark（TGB）模型进行基准测试（分别含特征与不含特征），并使用真实 13F 数据，本研究为持股预测与投资组合分配领域的时序图机器学习提供了可复现的基础。源代码可在以下地址获取：https://github.com/e-izdfr/portfolio-holdings-prediction。

###### 关键词: 动态图, 图神经网络, 节点亲和力预测, 动态投资组合分配, 机构持股动态, 机构需求建模, SEC Form 13F

††期刊: An Elsevier Journal

## 1 引言

根据美国证券交易委员会（SEC）的规定，对 13(f) 证券拥有超过 1 亿美元投资决策权的机构投资者，须在每个日历季度结束后的 45 天内提交 13F 表格。这些申报文件共同构成了美国股票所有权格局中最全面、公开可用的快照之一[U.S. Securities and Exchange Commission (https://arxiv.org/html/2607.12067#bib.bib133), 2024 (https://arxiv.org/html/2607.12067#bib.bib134), 2026a (https://arxiv.org/html/2607.12067#bib.bib135), 2026b (https://arxiv.org/html/2607.12067#bib.bib136), Gompers and Metrick (https://arxiv.org/html/2607.12067#bib.bib53), Backus et al. (https://arxiv.org/html/2607.12067#bib.bib11)]。自 1934 年《证券交易法》实施以来，13F 披露已成为研究人员、市场参与者和监管机构理解集中度[Fichtner et al. (https://arxiv.org/html/2607.12067#bib.bib49), Backus et al. (https://arxiv.org/html/2607.12067#bib.bib11)]、共同持股[Azar et al. (https://arxiv.org/html/2607.12067#bib.bib10), Backus et al. (https://arxiv.org/html/2607.12067#bib.bib11)]以及大型资产管理公司投资行为[Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124), Gompers and Metrick (https://arxiv.org/html/2607.12067#bib.bib53)]的关键资源。被动指数投资的快速增长[Fichtner et al. (https://arxiv.org/html/2607.12067#bib.bib49), Wurgler (https://arxiv.org/html/2607.12067#bib.bib144), Ben-David et al. (https://arxiv.org/html/2607.12067#bib.bib14)]、资产集中在少数大型管理公司[Fichtner et al. (https://arxiv.org/html/2607.12067#bib.bib49), Backus et al. (https://arxiv.org/html/2607.12067#bib.bib11)]以及大规模纵向持股数据日益可得[Gompers and Metrick (https://arxiv.org/html/2607.12067#bib.bib53), Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124)]，都提升了 13F 披露的重要性，使其超越了最初相对静态的监管产物角色[U.S. Securities and Exchange Commission (https://arxiv.org/html/2607.12067#bib.bib133), 2024 (https://arxiv.org/html/2607.12067#bib.bib134), 2026b (https://arxiv.org/html/2607.12067#bib.bib136)]，成为分析机构投资组合演进的丰富时间面板数据[Gompers and Metrick (https://arxiv.org/html/2607.12067#bib.bib53), Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124)]。每份申报不仅揭示管理者在某个时间点的持仓情况，而且通过序列化观察，还能显示投资组合如何演变[Gompers and Metrick (https://arxiv.org/html/2607.12067#bib.bib53), Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124)]、哪些股票受青睐或失宠[Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124), Yan and Zhang (https://arxiv.org/html/2607.12067#bib.bib146)]，以及投资风格如何因应市场条件而转变[Wermers (https://arxiv.org/html/2607.12067#bib.bib142)]。这一动态维度催生了关于机构羊群效应[Lakonishok et al. (https://arxiv.org/html/2607.12067#bib.bib85)]、风格漂移[Wermers (https://arxiv.org/html/2607.12067#bib.bib142)]以及机构持股变化对未来收益预测能力[Yan and Zhang (https://arxiv.org/html/2607.12067#bib.bib146), Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124)]的不断增长的文献。一个特别引人入胜的问题是，连续 13F 申报中蕴含的历史持股模式，是否可能包含关于未来机构投资组合演进与持股动态的预测信息[Gompers and Metrick (https://arxiv.org/html/2607.12067#bib.bib53), Sias et al. (https://arxiv.org/html/2607.12067#bib.bib124), Yan and Zhang (https://arxiv.org/html/2607.12067#bib.bib146)]。换言之，我们能否推断出每位管理者对个别证券的潜在“亲和力”？这种亲和力随时间持续存在，并表现为下个季度发起、增持或维持持仓的概率。准确预测这些亲和力尤为重要，因为机构投资者如今主导美国股票市场，近 80% 的公开交易股票由机构持有[Barardehi et al. (https://arxiv.org/html/2607.12067#bib.bib12)]，机构持股占 S&P 500 公司市值的大部分[Lewellen and Lewellen (https://arxiv.org/html/2607.12067#bib.bib88)]，且持股日益集中在少数巨型资产管理公司[Ben-David et al. (https://arxiv.org/html/2607.12067#bib.bib15), Fichtner et al. (https://arxiv.org/html/2607.12067#bib.bib49)]。即使预测这种集中资本流向的微小改进，也能转化为可观的经济信号，因为机构持股和交易行为的变化已被证明可产生可预测的收益反应[Yan and Zhang (https://arxiv.org/html/2607.12067#bib.bib146)]。机构投资者存在的持续行为偏差进一步表明，投资组合配置决策可能展现出随时间持续的系统性模式[Aren et al. (https://arxiv.org/html/2607.12067#bib.bib9)]。机构需求失衡可能对证券产生价格压力和流动性效应[Koch et al. (https://arxiv.org/html/2607.12067#bib.bib80)]。机构关注与信息处理摩擦进一步导致可预测的交易和反应不足模式[Ben-Rephael et al. (https://arxiv.org/html/2607.12067#bib.bib16)]。此外，吸引大量被动或指数跟踪投资者的股票可能会经历显著的需求冲击和持股变化[Appel et al. (https://arxiv.org/html/2607.12067#bib.bib8), Fichtner et al. (https://arxiv.org/html/2607.12067#bib.bib49)]。因此，早期发现此类变化可能有助于更早识别拥挤和抛售风险[Greenwood et al. (https://arxiv.org/html/2607.12067#bib.bib56), Coval and Stafford (https://arxiv.org/html/2607.12067#bib.bib36)]，更精确地插补资产定价模型中的潜在机构需求[Koijen and Yogo (https://arxiv.org/html/2607.12067#bib.bib81)]，以及更及时地对系统性持股集中度进行监管监控[Backus et al. (https://arxiv.org/html/2607.12067#bib.bib11), Fichtner et al. (https://arxiv.org/html/2607.12067#bib.bib49)]。如果能够准确学习这些亲和力，它们可能为建模机构需求、预测持股集中度以及区分真实信念与机械性或指数驱动交易提供一种有原则的方法[Wurgler (https://arxiv.org/html/2607.12067#bib.bib144), Appel et al. (https://arxiv.org/html/2607.12067#bib.bib8)]。

时序图机器学习的最新进展为建模此类动态交互结构提供了自然框架[Feldman et al. (https://arxiv.org/html/2607.12067#bib.bib48), Tjandra et al. (https://arxiv.org/html/2607.12067#bib.bib129), Ding et al. (https://arxiv.org/html/2607.12067#bib.bib42), Lu et al. (https://arxiv.org/html/2607.12067#bib.bib92), Zhang et al. (https://arxiv.org/html/2607.12067#bib.bib152), Luo and Li (https://arxiv.org/html/2607.12067#bib.bib93), Sarıgün (https://arxiv.org/html/2607.12067#bib.bib117), Poursafaei et al. (https://arxiv.org/html/2607.12067#bib.bib108), Huang et al. (https://arxiv.org/html/2607.12067#bib.bib67), Yu et al. (https://arxiv.org/html/2607.12067#bib.bib149), Rossi et al. (https://arxiv.org/html/2607.12067#bib.bib114), Melucci et al. (https://arxiv.org/html/2607.12067#bib.bib95)]。管理者和证券可以自然地表示为二分图的两个分区，所有权边可能带有时间戳，并以市场价值加权[Chen et al. (https://arxiv.org/html/2607.12067#bib.bib27), Lavin et al. (https://arxiv.org/html/2607.12067#bib.bib86), Delpini et al. (https://arxiv.org/html/2607.12067#bib.bib39), Melucci et al. (https://arxiv.org/html/2607.12067#bib.bib95)]。此类表示使模型能够捕捉 (i) 每位管理者不断变化的偏好，(ii) 每只证券不断变化的吸引力，以及 (iii) 双方之间复杂、时变的相互作用。在时序图机器学习中，动态链接属性预测[Huang et al. (https://arxiv.org/html/2607.12067#bib.bib67)]作为任务形式受到最多关注，而动态节点属性预测[Huang et al. (https://arxiv.org/html/2607.12067#bib.bib67)]则相对较少被探索。鉴于此种不平衡，本文——据我们所知——首次将从 SEC 13F 表格中预测机构持股定义为动态节点属性预测任务——具体而言，是 Temporal Graph Benchmark[Temporal Graph Benchmark Team (https://arxiv.org/html/2607.12067#bib.bib127)] 中引入的 (动态) 节点亲和力预测子任务——并对其在 TGB 排行榜模型上进行基准测试。我们将任务定义为：针对每位机构管理者 (CIK) 在季度 \(t\) 时刻，预测一个覆盖整个证券 (CUSIP) 空间的亲和力向量，该向量反映季度 \(t+1\) 的预期持仓市场价值。我们构建了一个离散时间的时序 (或动态) 异质有向加权二分图 (DTDG)[Dizaji et al. (https://arxiv.org/html/2607.12067#bib.bib43), Shamsi et al. (https://arxiv.org/html/2607.12067#bib.bib121), Chmura et al. (https://arxiv.org/html/2607.12067#bib.bib32), Gastinger et al. (https://arxiv.org/html/2607.12067#bib.bib52), Huang et al. (https://arxiv.org/html/2607.12067#bib.bib68), Kazemi et al. (https://arxiv.org/html/2607.12067#bib.bib76)]，数据来自一个经过清洗的季度性 13F 申报文件面板，时间跨度为 2013–2025 年，覆盖全部 S&P Global 500 证券。管理者和证券节点被增强以丰富的时变特征，包括换手率、行业敞口、历史相似度、机构持股广度、波动率及前十大持仓熵。遵循 TGB 官方节点属性预测协议，我们使用基准测试的标准数据加载、时间分割和评估流程训练所有竞争模型。为清晰分离节点特征的影响，每个模型均在两种配置下训练：一次使用完整的金融特征集，一次在完全无特征设置下仅依赖图结构和时序信息。

我们的实验揭示，NAVIS[Feldman et al. (https://arxiv.org/html/2607.12067#bib.bib48)] 和启发式方法[Huang et al. (https://arxiv.org/html/2607.12067#bib.bib67), Izadifar et al. (https://arxiv.org/html/2607.12067#bib.bib71)] 在预测下一季度持仓方面始终优于所有已学习的时序图模型，以 Top-10 归一化折损累计增益 (NDCG@10)[Huang et al. (https://arxiv.org/html/2607.12067#bib.bib67)] 衡量。这突显了机构投资组合变化中固有的高持续性和平滑性，其中近期分配对未来分配具有高度预测性。添加节点特征仅能略微提升所有模型的性能 (通常小于 1.2%)，表明 13F 持股图中的时序和结构信号已经包含了预测未来持仓的大部分信息。表现最佳的亲和力预测——特别是来自 NAVIS 和启发式方法的预测——仍然捕捉到持久且经济直观的分配模式，许多管理者对特定证券子集表现出稳定的偏好，这种偏好随时间逐渐演变，并对未来的投资组合调整保持信息量。通过将机构持股预测定义为节点亲和力预测问题，并在 TGB 节点属性预测轨道上评估一组时序图模型（含与不含节点特征），本研究为将时序图机器学习应用于机构持股动态建立了一个严谨、可复现的基准，同时为未来关于持股集中度、投资组合演进、机构羊群效应、拥挤风险、价格压力以及金融市场中潜在机构需求的研究奠定了基础。

## 2 问题定义

我们研究预测机构投资管理者未来季度股权投资的问题，这些投资由 SEC 13F 表格披露。提出的框架是……