基于差分图变换器的动态股票关系建模与S&P500价格预测研究
计算工程、金融与科学
2025-06-24 v1 人工智能
摘要
股票价格预测是投资决策和风险管理中的关键环节，但由于市场的非线性动力学和时变的股票间相关性，仍面临挑战。传统的静态相关性模型难以捕捉演化中的股票关系。为此，本文提出了一种差分图变换器（DGT）框架，用于动态关系建模与价格预测。DGT 将序列化的图结构变化引入多头自注意力机制，通过差分图机制适应性地保留高价值连接，同时抑制噪声。因果时序注意力捕获价格序列中的全局/局部依赖关系。进一步我们评估了 Pearson、互信息、Spearman、Kendall tau 等相关性指标，在全局/局部/双重范围内作为空间注意力先验。使用 10 年 S&P500 收盘价（z-score 归一化；64 天滑动窗口），DGT 配合空间先验在 GRU 基线上显著优于（RMSE: 0.24 vs. 0.87）。Kendall tau 全局矩阵 yielded 最佳结果（MAE: 0.11）。K-means 聚类揭示了“高波动增长”和“防御型蓝筹”两类股票，其中后者因相关性较为稳定，误差较低（RMSE: 0.13）。Kendall tau 和互信息在波动较大的板块中表现突出。该研究创新性地将差分图结构与变换器结合，验证了动态关系建模的有效性，并识别了最佳相关性指标和范围，聚类分析支持针对性的量化策略。该框架通过动态建模和跨资产互动分析，推动了金融时间序列预测。
引用
@article{arxiv.2506.18717,
title = {A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer},
author = {Linyue Hu and Qi Wang},
journal= {arXiv preprint arXiv:2506.18717},
year = {2025}
}