Aug, 2019

HATS：用于股票走势预测的分层图注意力网络

PDF
TL;DR本论文提出了一种基于图结构数据的股票市场预测方法，即分层注意力网络（HATS），该方法通过选择性地聚合不同类型的关系信息，将其添加到其每个公司的表示中，并用于预测个股价格和市场指数的走向。
stock market predictiongraph-structured datarelational datahierarchical attention networkinformation aggregation
发现论文，激发创造
  • 利用高阶图注意力网络结合分析进行股票选择

    本文提出了一种高阶图注意力网络 (H-GAT)，该网络能够捕捉高阶结构，同时将基本面分析因素与技术分析因素相结合，通过预测股票收益等指标进行实证分析，证明了 H-GAT 方法的优越性。

    Jun, 2023

  • 金融时间序列预测的时空异质性图神经网络

    本论文提出了一种基于时间和异构图神经网络（THGNN）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。该方法在美国和中国的股票市场上展开广泛实验，并在实际交易中实现了显著的累积组合回报。

    May, 2023

  • 利用计算注意力预测人类注意力

    本研究提出了人类注意力变压器（HAT），它是一种单一模型，预测两种形式的注意力控制，并通过使用一种新颖的基于转换器的架构和一种简化的凹面视网膜，实现了类似于人类动态视觉工作记忆的时空意识，同时避免了离散化固定目光。HAT 在计算注意力方面设定了新方向，并在各种注意力需求场景中更好地预测人类行为，具有广泛的适用性。

    Mar, 2023

  • 采用时间 RNN 和分层注意力建模动态异构网络进行链接预测

    本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

    Apr, 2020

  • GCNET：使用图卷积网络预测股票价格走势的基于图的方法

    提出了一个名为 GCNET 的新框架，用于将股票之间的关系建模为影响网络，并使用一组基于历史数据的预测模型来推断子集的股票节点的合理初始标签，在部分标记的图上应用图卷积网络算法来预测每个股票在图中的下一个价格方向的变化，通过对纳斯达克指数中的一组股票的实验证明 GCNET 显着提高了准确性和 MCC 度量方面的性能。

    Feb, 2022

  • HierCas：基于层次化时间图注意力网络的信息传播中的流行度预测

    本文提出了一种名为 HierCas 的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas 有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的 HierCas 明显优于最先进的方法。

    Oct, 2023

  • 使用同构性在图神经网络中进行监督关注

    本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。

    Jul, 2023

  • 图注意力回顾

    本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

    Feb, 2022

  • KGAT: 知识图谱注意力网络推荐

    提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法

    May, 2019

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017