多层时空网络的图表示学习在股票预测中的应用

《IEEE Transactions on Computational Social Systems》：Graph Representation Learning of Multilayer Spatial–Temporal Networks for Stock Predictions

准确股票预测对投资者获利至关重要。当前GNN方法依赖静态网络结构无法捕捉金融市场的动态复杂关系。本文提出MST-GNN，通过空间-时间跨层高阶融合机制，结合邻居聚合与跨层特征融合，有效建模股票间的动态交互。实验证明，该模型在A股市场四类网络数据上的趋势分类和收益排名任务中显著优于传统方法。

　　

摘要：

准确的股票市场预测对于寻求显著利润的投资者至关重要。随着经济活动的增加，上市公司之间的各种相互关系对于做出准确预测变得非常重要。这些关系可以表示为复杂的金融网络，有助于开发有效的图神经网络（GNN）预测方法。然而，目前基于GNN的股票预测方法通常依赖于单一的静态网络表示，这无法捕捉金融市场固有的动态和多方面的关系。在本文中，我们提出了多层时空图神经网络（MST-GNN）来模拟股票之间复杂且不断变化的互动。MST-GNN框架采用了一种新颖的时空跨层高阶融合机制，包括两个关键组成部分：时空邻域聚合和跨层高阶特征融合。这些组件使模型能够有效捕捉股票的时间演变和跨网络特征互动。我们在中国A股市场的四个股票网络上的广泛实验表明，MST-GNN在股票价格趋势分类和回报排名任务上的表现显著优于现有的基于GNN的方法。

引言

股票市场预测旨在确定在交易所交易的公司股票的未来价值或趋势，以做出明智的投资决策。尽管股票的可预测性在金融经济学家中仍存在争议[1]、[2]，但一些最新的金融理论和实用技术表明股票走势具有一定程度的可预测性[3]、[4]、[5]。由于机器学习算法在模式发现方面的强大能力[6]、[7]，它们已成为构建股票预测模块的突出方法。特别是深度学习近年来在股票预测中表现出色，显著提高了性能，并实现了端到端的高层次特征提取[8]、[9]、[10]。