HIST: 一种基于图形的股票趋势预测框架,通过挖掘概念导向的共享信息
通过自然语言处理和文本挖掘技术,利用新闻内容预测股票趋势并对在线内容的低质量、不可靠性和全面性进行解决,提出了一种混合注意力网络来捕捉前两个原则,并应用了自主学习机制来模仿第三个原则。在真实股市数据上的广泛实验表明了这种方法的有效性。
Dec, 2017
本论文提出了一种新的基于图像和字节的数字表示方法,利用股票数据进行市场预测,相对于传统的基于时间序列模型的预测方法,我们的方法表现更好,同时采用深度学习基线方法进行评估。
Jan, 2023
我们提出了一种基于图的方法,可以将多个视角的信息有机地融合在一起,利用深度规范化分析技术来更好地预测金融市场中交易量的变化情况,并在实验中表现出色。
Aug, 2021
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
本文提出了一种利用股票市场数据进行产业趋势分析的方法,并从显式分析和隐式分析两个方面引入了产业趋势分析方法,即层次数据分析和基于 GPT-2 预训练模型的分析,最终取得了良好的产业趋势分析结果。
Mar, 2023
股票趋势分类是一项基本但具有挑战性的任务,本文提出了一种基于图表示学习的方法来预测多个股票未来的走势,通过生成动态的多关系股票图来建模股票之间复杂的时变关系,然后通过随机多关系扩散过程进一步改进这些初始图,并实现并行保留的解耦表示学习方案来获取最终的图表示。在美国(纳斯达克和纽约证券交易所)和中国(上海证券交易所)的真实数据集上进行的综合实验验证了我们方法的有效性,这一方法在涵盖七年的三个测试期间的预测下一个交易日股票趋势方面一直优于现有技术基线模型。
Jan, 2024
本文提出了一种利用多模态注意力网络(multi-modality attention network)进行股票预测的方法,将社交媒体中的语义信息和历史交易记录中的数字特征相结合,通过减少冲突来提高预测准确性(61.20%)和交易利润(9.13%),从而提高了股票预测的性能和为多模态融合提供了未来研究方向。
Dec, 2021
本文提出了一种基于时间序列复杂网络(complex networks)和互信息(mutual information)的新方法来预测标准普尔 500 指数(S&P 500)未来的变化,并且使用这种方法可以明显提高建立 ARIMA 模型的准确性,这些发现可以为金融市场决策者提供指示,在市场发生剧烈变化之前干预市场。同时,对于量化投资者来说,这也可以提高他们的预测模型。
May, 2017
在复杂的金融市场中,为了使个人能够做出明智的决策,推荐系统可以起到关键作用。现有的研究主要侧重于价格预测,但即使是最复杂的模型也不能准确预测股票价格。另外,许多研究表明,大多数个体投资者不遵循已建立的投资理论,因为他们有自己的偏好。因此,股票推荐的关键是推荐应该具有良好的投资表现,同时也不应忽视个体偏好。为了开发有效的股票推荐系统,必须考虑三个关键方面:1)个体偏好,2)投资组合多样化,以及 3)股票特征和个体偏好的时间特性。因此,我们开发了一种名为 PfoTGNRec 的投资组合时间图网络推荐系统,它可以处理时变的协同信号,并结合增强对比学习来增加多样性。结果表明,与包括尖端动态嵌入模型和现有股票推荐模型在内的各种基线相比,我们的模型表现出优越的性能,既在保持捕捉个体偏好的竞争力的同时,也展现出良好的投资表现。该文的源代码和数据可在此网址获得。
Mar, 2024
预测股票价格是一个具有挑战性的研究问题,由于股市的固有波动性和非线性特性。最近,知识增强的股票价格预测方法通过利用外部知识来理解股市,取得了突破性的成果。尽管这些方法的重要性,但从外部知识类型的角度系统地综合以前的研究工作还是相对稀缺。具体而言,外部知识可以建模为不同的数据结构,我们将其分为非图形化格式和图形化格式:1)非图形化知识捕获与个别股票具体相关的上下文信息和多媒体描述;2)图形化知识捕获股票市场中相互关联和相互依赖的信息。本综述旨在系统全面地描述从各种非结构化数据源中获取外部知识并将其纳入股票价格预测模型的方法。我们还探索了将外部知识与历史价格特征相结合的融合方法。此外,该论文编制了相关数据集的汇编,并深入探讨了该领域的潜在未来研究方向。
Aug, 2023