FinMamba：基于市场感知图增强的多层Mamba框架用于股票走势预测
计算工程、金融与科学
2025-02-11 v1
摘要
最近， 将股票特征与股票之间的相互关联性相结合已成为股票走势预测中常见且有效的方法。然而，金融数据因其信噪比低且市场动态复杂，给现有方法带来了两个关键局限性。首先，股票之间的关系受到包括宏观经济市场动态在内的多种因素的影响，当前模型无法在特定市场条件下灵活捕获这些演变中的相互作用。其次，对于实际交易所要求的准确性和时效性，现有的金融数据挖掘方法在保持高效能和低内存消耗的同时，难以从长历史数据中提取有益的模式导向依赖关系。为此，我们提出了FinMamba，一种基于Mamba-GNN的框架，用于市场感知和多层混合型股票走势预测。具体而言，我们构建动态图，通过集成修剪模块适应市场趋势来学习股票关系表示的变化。随后，基于选择机制，多层Mamba舍弃无关信息并重置状态，以在线性时间成本下跨多个时间尺度精准回忆历史模式，这些模式随后被联合优化以实现可靠预测。大量实验表明，在美国和中国股市上，我们提出的FinMamba实现了最先进的预测准确率和交易盈利能力，同时保持较低的计算复杂度。代码已公开：https://github.com/TROUBADOUR000/FinMamba
引用
@article{arxiv.2502.06707,
title = {FinMamba: Market-Aware Graph Enhanced Multi-Level Mamba for Stock Movement Prediction},
author = {Yifan Hu and Peiyuan Liu and Yuante Li and Dawei Cheng and Naiqi Li and Tao Dai and Jigang Bao and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2502.06707},
year = {2025}
}