基于双层混沌融合的图卷积网络用于股票市场预测区间
机器学习
2026-05-19 v1 计算工程、金融与科学
统计金融
摘要
金融市场预测本质上具有不确定性，但大多数深度学习方法依赖于点预测，仅提供单一值估计，无法量化不确定性。此类预测对于风险感知决策不够充分，因其未能捕捉可能结果的范围及其置信水平。使用预测区间可解决此问题，允许获得预测的上限和下限，从而在模型中实现不确定性表示。然而，当前方法往往忽视资产之间的关系，或无法在动态变化的市场情境下同时确保结果区间的良好校准和锐利。在本文中，我们提出一种基于时空图结构的模型，采用双层混沌融合技术以解决此问题。该模型使用独立的非线性变换函数估计区间中心和宽度。此外，采用波动率感知的门控机制，使预测依赖于市场所处的情境。通过嵌入图结构和顺序建模来考虑时序依赖性。训练采用Lower-Upper Bound Estimation (LUBE) 目标。我们的实验结果表明，在2016-2026年数据、覆盖NSE 43家八大行业公司的应用中，所提模型相较于现有基线方法（LSTM、GRU、GCN、HGNN）实现了显著改进，获得最低的Winkler分数（0.0778）、最紧的预测区间（PIAW=0.1407）和最高的覆盖率（PICP=96.6%），所有差异在Diebold-Mariano检验下均具有统计显著性（p<0.001）。
引用
@article{arxiv.2605.16324,
title = {Bi-Level Chaotic Fusion Based Graph Convolutional Network for Stock Market Prediction Interval},
author = {Eshwar Sai Kandimalla and Sravan Chowdary Kankanala and Sumana Bhimineni and Hem Sundhar Korukunda and Vivek Yelleti},
journal= {arXiv preprint arXiv:2605.16324},
year = {2026}
}