作者：老余捞鱼
原创不易，转载请标明出处及原作者。
写在前面的话：
这篇论文提出了一种名为时态和异构图神经网络（THGNN）的新方法，用于预测金融市场中的股票价格变动。该方法通过生成基于历史价格数据的公司关系图，并利用变换器编码器和异构图注意力网络来捕捉价格动态和公司间的复杂关系。通过在美国和中国股市的广泛实验，THGNN在预测准确性和投资组合回报方面均优于现有模型。此外，该方法已在实际量化算法交易系统中部署，表现出显著优于其他基线方法的累积投资组合回报。
1. 引言 (Introduction)
股票市场预测是金融领域的核心问题之一，涉及复杂的数据分析和模式识别。尽管有效市场假说认为股票价格反映了所有可用信息，但股票价格的波动性使得预测其变动变得困难。近年来，深度学习在股票价格预测方面取得了进展，研究者通过引入额外的信息源，如技术指标、金融状况、新闻和社交媒体帖子等，来提高预测性能。然而，传统方法通常将时间序列视为独立同分布，忽略了股票间的内在关联。为此，研究者开始利用知识图谱来表示实体间的内部关系，并采用图学习进行价格运动预测。尽管这些方法有效，但构建实体间关系图谱存在挑战，因为这些关系图谱通常是动态变化的，且现有的基于手工编辑或自然语言处理技术构建的关系图谱存在资源消耗大和提取准确度低的问题。为了解决这些挑战，提出了一种基于时态和异构图神经网络的方法，用于学习金融时间序列中价格变动之间的动态关系。该方法首先根据历史价格生成公司关系图，然后利用变换器编码器对价格运动信息进行编码，接着提出异构图注意力网络来优化金融时间序列数据的嵌入，并推断目标运动的概率。在美国和中国股市的广泛实验表明，该方法与现有技术相比具有优越的性能。此外，该方法已在实际量化算法交易系统中部署，所获得的投资组合回报显著优于其他基线方法。
2. 相关工作 (Related Works)
在传统方法中，研究者通过手动构建各种因素作为模型输入来预测股票价格，例如市场信号、股票基本面和技术指标。此外，大量现有方法采用循环神经网络及其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），来学习历史信息的序列潜在特征，并将其用于下游预测任务。然而，这些方法通常独立处理每只股票的市场信号，忽略了股票之间的内在关系。
在基于图的学习领域，研究者已经证明股票价格运动不仅与自身历史价格相关&#x
标签：异构,关系,预测,神经网络,金融市场,股票价格,方法 From： https://blog.csdn.net/weixin_70955880/article/details/142280999