股市是金融系统的关键组成部分，本文提出了一种名为 MDGNN 的动态图神经网络框架，结合传统方法和图模型，全面捕捉股票之间的多方面关系和随时间的演化，利用 Transformer 结构编码时间演化的多重关系，实现了最佳股票投资预测性能。

Jan, 2024

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

本研究提出了一个用于预测股票走势的框架，利用 DNN 技术实现了逐股票的内部动态与不同股票间多阶相关性建模，并采用了基于小波基的超图注意力，实现了在效率与准确率上的平衡。实验结果表明，该框架在收益和稳定性方面超越了现有方法。

Nov, 2022

本文提出了一种分离式图神经网络方法，适用于连续型和离散型大型动态图，通过统一的动态传播方法，能够在预测任务中支持序列模型，实现了卓越的可扩展性和表现力，实验结果在连续型和离散型动态图上均达到了最先进表现。

May, 2023

本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

May, 2023

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018

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

这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。

May, 2024

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