上市公司多层关系网络中混频信息交互与传播能够提升资产定价性能吗？——基于图神经网络的资产定价研究

doi:10.16381/j.cnki.issn1003-207x.2024.0896

摘要/Abstract

摘要：

本文建立上市公司间供应链、股权和行业网络，融合低频公司特征和宏观经济信息以及高频市场、交易和情绪信息等作为网络节点特征，构建混频跨期注意力多层图卷积（MF-IAMGCN）模型，检验混频（MF）定价信息在上市公司多层关系网络中的同期交互和跨期传播对资产价格的预测能力。空间维度上，MF-IAMGCN模型基于注意力多层图卷积网络框架，引入混频数据抽样方法，刻画混频定价信息在多层网络中的同期交互，包括节点间的高阶依赖和非线性关系；时间维度上，借助门控机制，刻画连续时间步骤中节点之间的跨期信息传播和层间交互。选取2003年1月—2022年12月期间中国A股市场为研究样本，从个股定价、测试资产定价和投资组合绩效三个方面，实证检验模型性能。研究结果表明：（1）MF-IAMGCN模型在个股和测试资产层面的定价表现均优于四个竞争性模型，具备较强的综合定价性能。（2）MF-IAMGCN模型构造的投资组合取得了最优的风险调整绩效，兼顾高回报和低波动。（3）MF-IAMGCN模型刻画定价信息的动态传播模式，充分挖掘高频定价信号，显著提升了定价性能。（4）股权网络隐含金融市场资本活动信息，能够显著降低ST股票预测误差。

关键词: 资产定价, 多层关系网络, 同期交互, 跨期传播, 图注意力网络, 混频数据抽样

Abstract:

The interconnections among listed companies are intricate and constitute multi-layer relationship networks. The contemporary interaction and intertemporal dissemination of mixed-frequency information in multi-layer relationship networks will impact asset prices and returns. To this end， supply chain， equity， and industry networks among listed companies are established. Then low-frequency company characteristic information， low-frequency macroeconomic information， as well as high-frequency market， trade， and sentiment information are integrated as network node features. As a result， a novel MF-IAMGCN model is constructed to investigate how mixed-frequency information interaction and dissemination in multi-layer networks predict asset prices. In the spatial dimension， the mixed data sampling （MIDAS） method is incorporated into the attention multi-layer graph convolutional network （AMGCN） framework. The MF-IAMGCN model can capture the contemporary interaction of mixed-frequency information in multi-layer networks， including high-order dependencies and nonlinear relationships between nodes. In the temporal dimension， the MF-IAMGCN model leverages the gate mechanism to capture the intertemporal information dissemination between nodes in consecutive time steps. All listed companies in the Chinese A-share market from January 2003 to December 2022 are choosed and the proposed MF-IAMGCN model’s pricing power from individual stock pricing， test asset pricing， and portfolio performance is examined. The empirical results show that：（1） The pricing performance of the MF-IAMGCN model outperforms four competitive models on both individual stock and test asset levels. （2） The portfolios constructed by the MF-IAMGCN model achieve optimal risk-adjusted performance in terms of high returns and low volatility. （3） The mixed-frequency data processing module， network information contemporary interaction module， and network information intertemporal dissemination module within the MF-IAMGCN model jointly learn dynamic dissemination patterns of pricing information. The mixed-frequency data processing module contributes greatly to improving pricing performance by exploiting high-frequency pricing information. （4） Equity networks contain information about capital activities （such as strategic investments， mergers and acquisitions， insider trading， and “backdoor listings”）， significantly reducing pricing errors of ST stocks and playing a vital role in asset pricing.

Key words: asset pricing, multi-layer relationship networks, contemporary interaction, intertemporal dissemination, graph attention network, mixed data sampling

中图分类号:

F832.5

王泽舟,许启发,蒋翠侠. 上市公司多层关系网络中混频信息交互与传播能够提升资产定价性能吗？——基于图神经网络的资产定价研究[J]. 中国管理科学, 2026, 34(4): 47-62.

Zezhou Wang,Qifa Xu,Cuixia Jiang. Can Interaction and Dissemination of Mixed-Frequency Information in Companies' Multi-Layer Relationship Networks Improve Asset Pricing? Asset Pricing Study Based on Graph Neural Networks[J]. Chinese Journal of Management Science, 2026, 34(4): 47-62.

图/表 17

图1

图2

图3

表1

低频公司特征变量和低频宏观经济变量"

变量名称	构建方法	频率	变量名称	构建方法	频率	变量名称	构建方法	频率
acc（应计）	收入减经营现金除以资产	半年	gma（毛利润）	收入减去销售成本除以总资产	季	roeq（净资产收益率）	净利润除以股东权益平均余额	季
agr（资产增长）	总资产的年度变化率	年	grCAPX（资本支出变化率）	资本支出的年度变化率	年	roic（投入资本回报率）	税后净营业利润除以总投资额	季
bm（账面市值比）	账面价值除以市值	季	hire（员工数目变化率）	员工数目的年度变化率	年	rsup（营业收入变化率市值比）	营业收入的季度变化率除以总市值	季
bm_ia（行业调整bm）	个股账面市值比减行业平均账面市值比	季	invest（资本支出和存货）	固定资产年变化率除以总资产	年	tang（债务能力）	现金及等价物加0.715倍应收账款加0.547 倍存货加0.535倍固定资产除以总资产	季
cash（现金持有量）	现金及等价物除以总资产	季	lev（杠杆率）	总负债除以市值	季	sp（营业收入市值比）	营业收入除以总市值	季
cashdebt（现金债务比）	现金及等价物除以总负债	季	lgr（总负债变化率）	总负债的季度变化率	季	sgr（营业收入变化率）	营业收入的季度变化率	季
cfp（现金流价格比）	经营现金流除以市值	季	mve（规模）	总市值的自然对数	季	tb（税费收入比）	4倍应交税费除以总收入	季
maxret（最大日收益）	过去一个月最大日收益	月	mve_ia（行业调整规模）	个股对数市值减行业平均市值	季	zerotrade（零交易日）	上月期交易量为0天数	月
mom1 m（一个月动量）	过去一个月累计收益	月	operprof（经营获利能力）	营业利润除以股东权益	季	top1（最大股东持股）	第1大股东占股比列	年
mom6 m（6个月动量）	t-6月至t-1月的累积收益	月	orgcap（组织资本）	管理费用除以净资产总额	季	top10（前10大股东持股）	前10大股东占股比列	年
chmom（6个月惯性）	t-6月至t-1月累积回报减 t-12至t-7的累计回报	月	pchcurrat（流动比率变化率）	流动比率的季度变化率	季	Ownership（所有权）	公司所有权性质（国企、私企、外资和其他）	年
mom12 m（12个月动量）	t-12到t-1月的累积收益	月	pchquick（速动比率变化率）	速动比率的季度变化率	季	dp（股息价格比）	A股平均股利与平均股价对数之商	月
mom36 m（36个月动量）	t-36至t-13月的累积收益	月	pctacc（应计百分比）	应计项目除以净利润	半年	de（派息率）	A股平均股利与平均收益对数之商	月
chpm（营业利润变化）	营业利润除以收入变化率	季	quick（速动比率）	流动资产减存货除以流动负债	季	svar（指数波动率）	上证综合指数收益的平方	月
chpm_ia（行业调整chpm）	行业调整营业利润变化	季	rd（研发费用占比）	若研发费用占资产总额比例	季	M_ntis（股本扩张）	中国A股市场的净发行量除以A股总市值	月
cinvest（公司投资）	固定资产除以营业收入	季	rd_mve（研发费用市值比）	研发费用除以总市值	季	infl（通货膨胀率）	居民消费价格指数增长率	月
currat（流动比率）	流动资产除以流动负债	季	rd_sale（研发费用营业收入比）	研发费用除以营业收入	季	m2gr（M2增长率）	广义货币供应量增长率	月
dy（本利比）	年末总股息除以市值。	季	realestate（房地产投资占比）	房地产投资除以固定资产总额	季	itgr（国际贸易额增长率）	进出口总额增长率	月
egr（权益增长率）	账面价值季度变化率	季	roaq（总资产收益率）	净利润除以平均资产总额	季	PPI（生产价格指数）	工业生产者出厂价格增长率	月

表1

表2

高频市场、交易和情绪变量"

变量名称	构建方法	频率	变量名称	构建方法	频率	变量名称	构建方法	频率
beta（beta值）	CAPM模型回归系数	日	BullishSent（看涨情绪指数）	东方财富论坛个股看涨情绪指数	日	oil（油价）	西德克萨斯中质原油价格	日
dolvol（对数交易额）	交易额的自然对数	日	PositiveSent（积极情绪指数）	东方财富论坛个股积极情绪指数	日	exchange（汇率）	人民币元对美元汇率	日
ill（Amihud流动性指标）	Amihud流动性指标	日	news_senti（媒体情绪指数）	个股新闻媒体情绪指数	日	goldprice（金价）	伦敦黄金市场价格	日
volatility（收益波动率）	收益率标准差	日	searchindex（网络搜索指数）	个股网络搜索指数	日	shibor（上海银行间同业拆借利率）	上海银行间同业拆借利率	日
turnover（换手率）	成交金额除以流通股数	日	voldolvol（对数交易额波动率）	对数交易额的标准差	周	VIX（恐慌指数）	芝加哥期权交易所波动率指数	日
atr（异常换手率）	个股换手率减市场换手率	日	volturnover（换手率波动率）	换手率的标准差	周	ucirs（中美利差）	Shibor与美国联邦基金利率之差	日
risk_factor（风险因子）	CAPM模型风险因子	日	volill（ill波动率）	Amihud流动性指标的标准差	周	Mturnover（市场换手率）	A股流通市值加权换手率	日
ertrend（趋势因子）	市场趋势因子	日	volliquid（liquid波动率）	流动性指标的标准差	周	Mtrade_volume（市场交易量）	A股按流通市值加权交易量	日
liquid（流动性）	收益率除以成交金额	日	volPB（PB波动率）	市净率的标准差	周	M_BullishSent（市场看涨情绪指数）	东方财富论坛市场看涨情绪指数	日
trade_volume（总交易金额）	总交易金额	日	volPE（PE波动率）	市盈率的标准差	周	M_PositiveSent（市场积极情绪指数）	东方财富论坛市场积极情绪指数	日
trade_number（总交易量）	交易金额除以成交量	日	voltrade_number（交易量波动）	交易量的标准差	周	M_news_senti（市场媒体情绪指数）	市场新闻媒体情绪指数	日
deltatrade_voulme（滞后交易量）	总交易量的一阶滞后	日	voltrade_volume（交易额波动）	交易额的标准差	周	M_searchindex（市场搜索指数）	市场网络搜索指数	日
PB（市净率）	总市值除以净资产	日	tms（利差）	10年期国债利率减1年期国债利率	日	SMB（市值因子）	小盘组合和大盘组合收益率之差	日
PE（市盈率）	总市值除以归属母公司的净利润之和	日	CMA（投资模式因子）	低投资比例股票组合和高投资比例股票组合收益率差	日	HML（账面市值比因子）	高账面市值比股票组合和低账面市值比股票组合收益率差	日
corrlation（相关系数）	个股风险收益率与市场风险收益率的相关系数	日	RMW（盈利能力因子）	高盈利股票组合和低盈利股票组合的收益率之差。	日	ep（市场市盈率）	A股市场平均每股收益与平均股价对数商	日

表2

表3

表4

模型个股层面样本外αI和EV"

模型	$α I$	EV
MF-IAMGCN	0.0446	0.6664
IAMGCN	0.0522	0.6044
MF-AMGCN	0.0497	0.6131
MGCN	0.0558	0.5724
LSTM	0.0583	0.5204

表4

图4

表5

模型单特征排序组合样本外平均αP和GF"

模型	$α P$	GF
MF-IAMGCN	0.0305	0.9563
IAMGCN	0.0366	0.8527
MF-AMGCN	0.0349	0.9237
MGCN	0.0389	0.7584
LSTM	0.0400	0.6743

表5

表6

表7

模型单特征排序组合样本外GF"

特征	MF- IAMGCN	IAM-GCN	MF-AMGCN	MGCN	LSTM	特征	MF-IAMGCN	IAM-GCN	MF-AMGCN	MGCN	LSTM
acc	0.9621	0.8679	0.9326	0.7610	0.6774	quick	0.9337	0.8455	0.9356	0.7549	0.6727
agr	0.9667	0.8663	0.9317	0.7576	0.6750	rd	0.9558	0.8351	0.9182	0.7542	0.6678
bm	0.9519	0.8667	0.9199	0.7652	0.6844	rd_sale	0.9539	0.8405	0.9211	0.7516	0.6665
bm_ia	0.9420	0.8266	0.9084	0.7423	0.6570	realestate	0.9600	0.8616	0.9317	0.7629	0.6795
cash	0.9579	0.8547	0.9273	0.7587	0.6734	roaq	0.9648	0.8676	0.9321	0.7666	0.6809
cashdebt	0.9629	0.8598	0.9279	0.7601	0.6726	roeq	0.9621	0.8676	0.9284	0.7635	0.6778
cfp	0.9501	0.8095	0.9010	0.7418	0.6597	roic	0.9534	0.8571	0.9238	0.7513	0.6692
chmom	0.9546	0.8215	0.9076	0.7473	0.6620	rsup	0.9549	0.8452	0.9110	0.7541	0.6690
chpm	0.9521	0.8494	0.9241	0.7532	0.6685	sgr	0.9370	0.8306	0.9466	0.7489	0.6595
chpm_ia	0.9491	0.8375	0.9201	0.7502	0.6667	sp	0.9647	0.8753	0.9259	0.7562	0.6760
cinvest	0.9623	0.8554	0.9227	0.7507	0.6646	tang	0.9659	0.8668	0.9332	0.7666	0.6885
currat	0.9534	0.8477	0.9268	0.7566	0.6738	tb	0.9611	0.8609	0.9229	0.7559	0.6732
dy	0.9489	0.8468	0.9247	0.7515	0.6676	zerotrade	0.9605	0.8654	0.9281	0.7758	0.6916
egr	0.9605	0.8625	0.9268	0.7537	0.6690	top1	0.9606	0.8667	0.9266	0.7597	0.6792
gma	0.9601	0.8650	0.9288	0.7570	0.6700	top10	0.9619	0.9147	0.9284	0.7598	0.6765
grCAPX	0.9386	0.8646	0.9408	0.7685	0.6838	beta	0.9573	0.8271	0.9273	0.7567	0.6653
hire	0.9604	0.8679	0.9314	0.7660	0.6818	ill	0.9576	0.8727	0.9293	0.7887	0.7066
invest	0.9595	0.8648	0.9254	0.7625	0.6776	volatility	0.9557	0.8592	0.9301	0.7649	0.6786
lev	0.9509	0.8673	0.9204	0.7650	0.6869	turnover	0.9652	0.8726	0.9359	0.7884	0.7006
lgr	0.9708	0.8698	0.9346	0.7605	0.6748	atr	0.9513	0.8580	0.9230	0.7585	0.6737
maxret	0.9667	0.8629	0.9312	0.7727	0.6900	ertrend	0.9647	0.8367	0.9064	0.7542	0.6702
mom1m	0.9481	0.8320	0.9077	0.7247	0.6343	risk_factor	0.9600	0.8554	0.9332	0.7694	0.6823
mom6m	0.9375	0.8110	0.9016	0.7375	0.6477	corrlation	0.9610	0.8633	0.9260	0.7637	0.6802
mom12m	0.9533	0.8204	0.9027	0.7537	0.6669	PE	0.9557	0.8539	0.9214	0.7591	0.6725
mom36m	0.9522	0.8135	0.9132	0.7421	0.6545	PB	0.9484	0.8598	0.9172	0.7698	0.6862
mve	0.9527	0.8543	0.9174	0.7526	0.6709	trade_volume	0.9519	0.8647	0.9218	0.7819	0.6996
mve_ia	0.9661	0.8686	0.9316	0.7726	0.6924	trade_number	0.9638	0.8622	0.9302	0.7826	0.6971
operprof	0.9525	0.8112	0.9089	0.7275	0.6443	BullishSent	0.9554	0.8347	0.9135	0.7542	0.6696
orgcap	0.9622	0.8578	0.9363	0.7345	0.6557	news_senti	0.9623	0.8609	0.9238	0.7668	0.6855
pchcurrat	0.9635	0.8535	0.9253	0.7505	0.6701	PositiveSent	0.9546	0.8381	0.9177	0.7543	0.6697
pchquick	0.9651	0.8581	0.9264	0.7559	0.6762	searchindex	0.9563	0.8617	0.9219	0.7662	0.6859
pctacc	0.9380	0.8064	0.9114	0.7331	0.6496

表7

图5

表8

图6

图7

表9

图8

参考文献 30

[1]	Cochrane J H. Presidential address： Discount rates［J］. The Journal of Finance， 2011， 66（4）： 1047-1108.
[2]	Sharpe W F. Capital asset prices： A theory of market equilibrium under conditions of risk［J］. The Journal of Finance， 1964， 19（3）： 425-442.
[3]	Fama E F， French K R. The cross-section of expected stock returns［J］. The Journal of Finance， 1992， 47（2）： 427.
[4]	Carhart M M. On persistence in mutual fund performance［J］. The Journal of Finance， 1997， 52（1）： 57-82.
[5]	De Bondt W F M， Thaler R. Does the stock market overreact？［J］. The Journal of Finance， 1985， 40（3）： 793-805.
[6]	Black F. Capital market equilibrium with restricted borrowing［J］. The Journal of Business， 1972， 45（3）： 444-455.
[7]	Shi J， Liu X， Li Y， et al. Does supply chain network centrality affect stock price crash risk？ Evidence from Chinese listed manufacturing companies［J］. International Review of Financial Analysis， 2022， 80： 102040.
[8]	Wen F， Yuan Y， Zhou W X. Cross-shareholding networks and stock price synchronicity： Evidence from China［J］. International Journal of Finance & Economics， 2021， 26（1）： 914-948.
[9]	Chen W， Qu S， Jiang M， et al. The construction of multilayer stock network model［J］. Physica A： Statistical Mechanics and Its Applications， 2021， 565： 125608.
[10]	王纲金，吴昊钰，谢赤. 基于多层关联网络的投资组合优化研究［J］. 系统工程理论与实践， 2022， 42（4）： 937-957.
	Wang G J， Wu H Y， Xie C. Portfolio optimization based on multilayer connectedness networks［J］. Systems Engineering-Theory & Practice， 2022， 42（4）： 937-957.
[11]	刘超，许澜涛. 多层时序网络视角下的最优投资组合策略研究［J］. 中国管理科学， 2025， 33（9）： 46-56.
	Liu C， Xu L T. Study on optimal portfolio strategy from the perspective of multilayer temporal network［J］. Chinese Journal of Management Science， 2025， 33（9）： 46-56.
[12]	Manessi F， Rozza A， Manzo M. Dynamic graph convolutional networks［J］. Pattern Recognition， 2020， 97： 107000.
[13]	Wu Z， Pan S， Chen F， et al. A comprehensive survey on graph neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（1）： 4-24.
[14]	Chen W， Jiang M， Zhang W G， et al. A novel graph convolutional feature based convolutional neural network for stock trend prediction［J］. Information Sciences， 2021， 556： 67-94.
[15]	Song G， Zhao T， Wang S， et al. Stock ranking prediction using a graph aggregation network based on stock price and stock relationship information［J］. Information Sciences， 2023， 643： 119236.
[16]	卜湛，张善凡，李雪延，等. 基于深度强化学习的自适应股指预测研究［J］. 管理科学学报， 2023， 26（4）： 148-174.
	Bu Z， Zhang S F， Li X Y， et al. Adaptive stock index prediction based on deep reinforcement learning［J］. Journal of Management Sciences in China， 2023， 26（4）： 148-174.
[17]	Tan J， Li Q， Wang J， et al. FinHGNN： A conditional heterogeneous graph learning to address relational attributes for stock predictions［J］. Information Sciences， 2022， 618： 317-335.
[18]	Brunnermeier M， Farhi E， Koijen R S J， et al. Review article： Perspectives on the future of asset pricing［J］. The Review of Financial Studies， 2021， 34（4）： 2126-2160.
[19]	Ghysels E， Santa-Clara P， Valkanov R. Predicting volatility： Getting the most out of return data sampled at different frequencies［J］. Journal of Econometrics， 2006， 131（1-2）： 59-95.
[20]	谭德凯，田利辉. 黄金是股票市场的“避险天堂”吗？——基于动态条件相关混频数据抽样模型［J］. 中国管理科学， 2022， 30（10）： 14-24.
	Tan D K， Tian L H. Is gold a safe haven of the stock market？ —Based on dynamic conditional correlation mixed data sampling model［J］. Chinese Journal of Management Science， 2022， 30（10）： 14-24.
[21]	刘凤根，吴军传，杨希特，等. 基于混频数据模型的宏观经济对股票市场波动的长期动态影响研究［J］. 中国管理科学， 2020， 28（10）： 65-76.
	Liu F G， Wu J C， Yang X T， et al. Long-Run dynamic effect of macro-economy on stock market volatility based on mixed frequency data model［J］. Chinese Journal of Management Science， 2020， 28（10）： 65-76.
[22]	Yang C， Zhang R. Does mixed-frequency investor sentiment impact stock returns？ Based on the empirical study of MIDAS regression model［J］. Applied Economics， 2014， 46（9）： 966-972.
[23]	Xu M， Fu P， Liu B， et al. Multi-stream attention-aware graph convolution network for video salient object detection［J］. IEEE Transactions on Image Processing， 2021， 30： 4183-4197.
[24]	Shi J， Zhang W， Bao Y， et al. Load forecasting of electric vehicle charging stations： Attention based spatiotemporal multi-graph convolutional networks［J］. IEEE Transactions on Smart Grid， 2024， 15（3）： 3016-3027.
[25]	胡春华，邓奥，童小芹，等. 社交电商中融合信任和声誉的图神经网络推荐研究［J］. 中国管理科学， 2021， 29（10）： 202-212.
	Hu C H， Deng A， Tong X Q， et al. A graph neural network recommendation study combining trust and reputation in social E-commerce［J］. Chinese Journal of Management Science， 2021， 29（10）： 202-212.
[26]	陈妍，张小威，金赞，等. 基于加权GraphSAGE和生成对抗网络的医保欺诈识别方法［J］. 系统工程理论与实践， 2024， 44（2）： 732-751.
	Chen Y， Zhang X W， Jin Z， et al. Medical fraud detection method based on weighted GraphSAGE and generative adversarial network［J］. Systems Engineering-Theory & Practice， 2024， 44（2）： 732-751.
[27]	Lin Y， Yan Y， Xu J， et al. Forecasting stock index price using the CEEMDAN-LSTM model［J］. The North American Journal of Economics and Finance， 2021， 57： 101421.
[28]	Ghysels E， Kvedaras V， Zemlys V. Mixed frequency data sampling regression models： The R package midasr［J］. Journal of Statistical Software， 2016， 72（4）： 1-35.
[29]	Leippold M， Wang Q， Zhou W. Machine learning in the Chinese stock market［J］. Journal of Financial Economics， 2022， 145（2）： 64-82.
[30]	邵新建，贾中正，赵映雪，等. 借壳上市、内幕交易与股价异动——基于ST类公司的研究［J］. 金融研究， 2014（5）： 126-142.
	Shao X J， Jia Z Z， Zhao Y X， et al. Reverse merger， insider trading and abnormal market reaction： Evidence from ST listed companies in China［J］. Journal of Financial Research， 2014（5）： 126-142.

模型	混频数据处理	多层关系网络	网络信息同期交互	网络信息跨期传播	注意力机制
MF-IAMGCN	√	√	√	√	√
IAMGCN	×	√	√	√	√
MF-AMGCN	√	√	√	×	√
MGCN	×	√	√	×	×
LSTM	×	×	×	×	×

模型	SR	AR	MaxLoss	MD
MF-IAMGCN	0.5740	0.0730	0.1555	0.1166
IAMGCN	0.5237	0.0640	0.2086	0.1221
MF-AMGCN	0.5191	0.0660	0.2268	0.2853
MGCN	0.4036	0.0564	0.2111	0.1449
LSTM	0.4276	0.0491	0.2129	0.0844

mve/bm	MF-IAMGCN / IAMGCN / MF-AMGCN //MGCN / LSTM / 最小Odds ratio
市值↓ 账面市值比→ 低				2			3			4			高
低	0.9257	0.7997	0.8148	0.9009	0.7521	0.7448	0.8254	0.7416	0.7799	0.8118	0.7293	0.8058	0.7978	0.7206	0.7787
低	0.8288	0.8388	1.1036	0.7080	0.7180	1.1979	0.5678	0.5778	1.0582	0.5491	0.5591	1.0074	0.4625	0.4725	1.0245
2	0.9213	0.8371	0.8251	0.8923	0.8339	0.8785	0.8824	0.8168	0.8833	0.8082	0.7001	0.7808	0.8435	0.7235	0.7451
2	0.8362	0.8462	1.0887	0.6325	0.6425	1.0158	0.6385	0.6485	0.9990	0.5338	0.5438	1.0351	0.5781	0.5881	1.1321
3	0.9393	0.8023	0.8374	0.8928	0.8290	0.8763	0.8583	0.7919	0.8565	0.7718	0.6564	0.7699	0.8480	0.7506	0.7760
3	0.8315	0.8415	1.1163	0.6028	0.6128	1.0189	0.6000	0.6100	1.0020	0.4208	0.4308	1.0025	0.5614	0.5714	1.0928
4	0.9625	0.8522	0.8617	0.9105	0.7991	0.8285	0.9052	0.8122	0.8603	0.8119	0.7924	0.8029	0.8697	0.7923	0.8263
4	0.8580	0.8680	1.1090	0.7421	0.7521	1.0990	0.7137	0.7237	1.0522	0.5796	0.5896	1.0112	0.7015	0.7115	1.0524
高	0.9550	0.7969	0.9102	0.9866	0.8801	0.9053	0.9763	0.8849	0.9199	0.9446	0.8493	0.8939	0.9015	0.7994	0.8663
高	0.9017	0.9117	1.0475	0.8928	0.9028	1.0898	0.8730	0.8830	1.0613	0.8705	0.8805	1.0567	0.8500	0.8600	1.0406

模型	非ST	ST	误差增幅
MF-IAMGCN	0.0533	0.0621	16.51%
MF-IAMGCN^-E	0.0601	0.0814	35.44%
GCN^+E	0.0686	0.0779	13.56%