近年来,随着公众金融管理意识的逐步增强,加之金融市场行情火爆,我国基金业发展迅速。中国基金业协会数据显示,从2015年至2020年,我国基金总规模在数量、管理规模和份额规模方面均有显著性提升。随着基金业快速发展,基金收益预测和净值估计问题引起金融市场多方参与者的关注。基金投资者对估值不准的容忍度低,因其择时行为受短期波动影响,申购和赎回操作常参考估值结果;基金销售平台为提升用户体验和使用便捷性,致力于提高净值估计精准度;金融研究员希望从公募基金净值变化推测其持仓变动,从而把握机构投资者对市场的观点变化。以往研究主要使用时间序列分析和回归分析来建模。时间序列方法从基金净值本身的序列特点出发,较少考虑外部性;回归分析在人工挑选与预测目标相关的外部宏观经济变量和金融市场指标时,较少考虑单只基金的细粒度特征。考虑以往研究存在的问题,本文提出可加入基金底层资产的信息,将外部变量精细化到基金粒度,通过图神经网络捕获基金和底层资产之间的关联,提高预测精度。针对以上问题,本文提出了当日收益率预测框架:当交易日即将结束,框架输出当日基金收益率预测结果,使参考者的交易能够以当日基金净值结算。本文在建模时,将基金和其底层资产的关系建立为二部图,提出了基于图神经网络的基金收益预测模型GNNF,模型包含序列嵌入模块、图卷积模块和预测模块。第一,序列嵌入模块通过循环神经网络,对基金净值主时间序列和底层资产价格（股票、债券和货币）子时间序列建模,获取时序上的依赖关系和变化模式,从过往信息中提取对预测目标更有价值的深层特征,将时间序列编码为向量嵌入形式。第二,图卷积模块将底层资产子时序的信息聚合到基金主时序上,使用边权重以平均子时序的向量嵌入,生成新的主时序向量表示。该模块以两种方式生成边连接,识别主子时序之间的交互关系。第一种显式知识嵌入方式,是将基金对股票的持仓比例作为单向边连接权重。从基金公开季报中获取的持仓比例,以季度频率变化,保证了一定的动态边演化性。第二种隐式嵌入方式,是基于注意力机制,以主序列嵌入向量和子序列嵌入向量之间的余弦相似度作为边连接权重,从而能够捕获基金对各底层资产的动态持有比例。图卷积模块最终将两种嵌入转化为新的基金聚合嵌入表示,转化时两种嵌入之间的交互联系,使得持仓权重能够对相似度产生一定影响。第三,预测模块拼接前两个模块的输出,得到最终基金嵌入表示。基于残差网络的思想,将预测目标拆解为直接映射和残差:直接映射通过十大重仓股得到日收益率预测的先验信息;残差通过最终基金嵌入表示变换得到,代表预测日收益率的先验值和真实值的残差,反映基金最新季报公开持仓和实际持仓的差距。预测模块将直接映射和残差预测的结果相加,输出最终日收益率预测。为了验证GNNF模型的有效性,本文收集了A股市场数据进行实验并分析得到结论。首先,各基线模型的对比说明,基于持仓数据的Hold模型显著优于仅使用时序信息的传统时序、机器学习和深度学习模型,预测误差降低75%以上,证明底层持仓股票信息的重要度高;其次,本文提出的GNNF模型预测精度优于Hold模型7%。将不同换手率基金和不同时间段上的实验进行对比,证明了GNNF模型有效识别了基金持仓变化,克服了Hold模型的静态缺点;再者,消融实验设计证明了图卷积模块的有效性,同时使用两种嵌入可获取额外增量信息,仅使用显式知识嵌入的效果较于仅用隐式嵌入更优,公开的基金持仓信息在预测精度具有更大的价值;最后,以实际案例说明模型具有一定可解释性,相似度能识别持仓变动情况。本文展望指出,本研究提出的模型在以下角度仍存在进一步优化空间,包括基金报告的及时性、序列特征的丰富性、序列嵌入的复杂性、基于NLP的新连接边构造。