AAAIJan, 2024

MDGNN：多关系动态图神经网络用于全面和动态的股票投资预测

PDF
TL;DR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。
stock marketstock pricespredictingmdgnn frameworktemporal evolution
发现论文，激发创造
  • DGDNN: 股票走势预测的解耦图扩散神经网络

    本文提出了一种基于图神经网络的动态股票图学习方法，通过自动构建具有动态性的股票图，并通过广义图扩散过程学习股票之间的依赖关系，进而采用一种解耦表示学习方案获取股票的层次性特征，实验结果表明该方法在建模股票间和股票内部动态性方面具有显著的改进。

    Jan, 2024

  • 多关系图扩散神经网络与并行保留用于股票趋势分类

    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

  • 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

  • 流式图神经网络

    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

  • 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

  • 自适应依赖学习图神经网络

    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

  • 股票运动预测中多种动力学和内部动力学的高效集成

    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

  • 神经网络下的动态图表征学习：综述

    本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

    Apr, 2023

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • GDBN：一种动态贝叶斯网络的图神经网络方法

    本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

    Jan, 2023