你要组一支球队，通常会先定几名前锋、几名中场，再看比赛效果反复调阵型。传统神经网络预测股票收益也差不多：研究者先决定网络有几层、每层多宽，再通过验证寻找合适组合。问题是，这些数字很难对应任何金融含义。Hongyu Lin、Yulin Chen、Yuanrong Wang、Antonio Briola 和 Tomaso Aste 的新论文换了一个方向：先观察公司特征如何成组联动，再让这种关系直接决定网络长什么样。
这项工作值得看，不只是因为它试图提高预测表现。它还追问一个更基础的问题：深度模型为什么要这样连接？能否在训练前就给网络结构一个可解释的理由？以下结果均来自这篇 arXiv 论文，尚无独立研究交叉验证。
先画关系网，再搭神经网络
论文使用94个公司特征。所谓公司特征，是价值、规模、盈利能力、过去收益和流动性等可量化属性。研究者常用它们解释或预测股票之间的收益差异。困难在于，这些特征并非各自独立。例如，若几个指标经常一起变化，模型可能需要学习它们的共同作用，而不只是逐个读取。
作者先用 Maximally Filtered Clique Forest（MFCF）整理这种依赖关系。可以把它理解成一张经过筛选的关系网：每个特征是一个节点；联系紧密的一组节点形成“团”，也就是组内成员彼此相连的特征组合。输入是训练样本中公司特征的绝对 Pearson 相关矩阵。由于特征先在每个月做横截面排名，这里的相关性实际反映排名变量之间的线性联系。
MFCF 的作用不是把所有相关关系都留下，而是在拓扑约束下筛出一组重叠的团。最大团大小 是唯一的结构复杂度参数。它限制一个团最多容纳多少个特征，也因此限制网络能够表达的最高交互阶数。这里的“交互”，说白了就是多个特征共同影响预测，而不是把它们的作用简单相加。
随后，作者把关系网翻译成 Homological Neural Network（HNN）。第一层放单个特征，第二层放被保留的特征对，更高层放更大的特征组合。只有存在集合包含关系的单元才连接。例如，一个三特征组合只接收它所包含的二特征组合，而不会与所有上一层节点相连。
这一步是论文最关键的变化。传统全连接网络让相邻两层的节点全部相连，再靠训练和正则化削弱无用关系；HNN 在训练开始前就决定哪些连接存在。网络深度、每层宽度和稀疏连接都由过滤后的图产生，不再分别手工指定。每个高阶组合还会直接参与最终预测，避免较小的孤立组合因为没有进入更大的团而丢失信息。
少连线，不等于少学东西
稀疏网络——只保留部分节点连接的网络——通常能减少参数，也可能降低过拟合风险。过拟合是模型把历史噪声当成稳定规律，样本内表现很好，换到新数据却失效。不过，少连接本身并不能证明结构合理。作者因此设计了两组对照。
第一组把特征在输入节点间打乱，但保持网络形状、连接数量和参数量不变。这样只破坏“某个特征应该位于哪个节点”的对应关系。第二组保留 HNN 诱导出的深度和各层宽度，却把层间改成全连接，并采用传统的末层输出方式。它被称为 MLP-HNN，用来比较整套 HNN 架构与同宽度的密集网络。
论文还测试两个 HNN 版本。HNN (marginal) 只根据公司特征之间的依赖建图，不使用收益；HNN (m-s) 则按训练样本收益的中位数分组，分别估计关系网，再合并两组团。验证集和测试集收益不参与建图。
它预测得更准吗？
实验采用1957—2016年的美国股票数据，并对1987—2016年进行30次互不重叠的年度样本外测试。训练窗口逐年扩展，随后12年用于验证，再预测下一年。每个窗口都会重新完成预处理、建图、选参和训练；测试集共含2,508,749条观测。
主要基准 NN3 是一个含三层隐藏层的神经网络，每层分别有32、16和8个单元。两个 HNN 在 pooled 样本外预测指标上与它接近：HNN (marginal) 为0.509%，HNN (m-s) 为0.511%，NN3 为0.475%。论文报告，这些差异没有显示出明确的统计优势。也就是说，若考察预测值与实际收益水平之间的误差，HNN 没有明显击败 NN3。
差别更多出现在横截面排序。横截面排序关心的是：同一个月里，模型能否把股票从相对更可能上涨排到相对更可能下跌。HNN (marginal) 的 Pearson IC 为0.0642，NN3 为0.0586。IC 即信息系数，是预测收益与实际收益在当月股票截面上的相关性。两者差值为0.0056，并在 Holm 多重检验校正后仍显著。Spearman IC 也指向同一方向，但差异未达到显著水平。
按预测把股票分成十组，买入最高组、卖空最低组时，HNN (marginal) 的等权月度收益差为3.95%，NN3 为3.75%。不过，两者差异并不显著。改用市值加权后，比较反而有利于 NN3：其收益差为2.44%，HNN (marginal) 为1.99%。这提示 HNN 的优势更集中在等权结果，不能直接概括为普遍的投资优势。
关系结构确实提供了一些信息
输入打乱后，HNN 的 pooled 指标从0.509%降至0.496%，Pearson IC 从0.0642降至0.0597，等权收益差从3.95%降至3.73%。其中 Pearson IC 的下降在多重检验校正后仍显著。这说明表现不只来自“少接几根线”，特征与关系图的具体对应也有贡献。
参数效率更直观。HNN (marginal) 的参数中位数为2.10万；具有相同诱导层宽度的 MLP-HNN 约有168.07万，相差约80倍。后者的 Pearson IC 为0.0524，等权收益差为3.47%，都低于 HNN。不过，MLP-HNN 的平均绝对误差略低，市值加权收益差也更高。由于两者的连接方式和预测头都不同，这项比较支持的是完整 HNN 架构，而不能把差异全部归因于稀疏连接。
为什么值得关注
这篇论文给“可解释”提供了一种较克制的含义：它没有证明神经网络理解了金融因果关系，而是让每个网络单元对应一组明确的公司特征，让连接来自样本中估计出的依赖结构。研究者可以从图上读出模型允许哪些特征共同作用，也能说明复杂度参数 的图结构含义。
它还改变了调参问题。研究者仍需通过验证选择 和学习率，但不必分别搜索网络深度和每层宽度。换句话说，模型选择并未消失，只是从“试出一个好用的形状”变成“选择允许多大的特征组合”。
局限与未知
- 全部效果来自同一篇论文。样本止于2016年，不能据此判断这种结构在近年市场是否仍然有效。
- 交易成本测试采用统一线性费率，没有纳入个股价差、卖空借券费、市场冲击和策略容量；论文报告的组合收益不等于可直接实现的实盘收益。
- MFCF 使用绝对 Pearson 相关关系。它提供的是经验依赖结构，不是因果关系；作者也把更能捕捉非线性或更稳健的依赖度量列为后续方向。