用于股票走势预测的门控融合增强多尺度层次图卷积网络
机器学习
2025-11-04 v1
摘要
由于股票固有的波动性与复杂的相互依赖关系，准确预测股票市场走势仍然是一项艰巨的挑战。尽管多尺度图神经网络（GNN）在建模这些关系方面具有潜力，但它们常常忽略两个关键点：影响股票间相关性的每只股票属性内的细微模式，以及多尺度采样过程中对粗粒度与细粒度特征的有偏关注。为了克服这些挑战，我们提出了 MS-HGFN（多尺度层次图融合网络）。该模型包含一个层次 GNN 模块，通过在不同时间尺度上学习属性内模式与属性间特征来构建动态图，从而全面捕获时空依赖关系。此外，一种自上而下的门控方法促进了多尺度时空特征的融合，在保留关键粗粒度与细粒度特征的同时避免了过多干扰。利用来自美国和中国股票市场的真实数据集进行的实验表明，MS-HGFN 优于传统与先进模型，预测准确率最高提升 1.4%，并在收益模拟中展现出更强的稳定性。代码可在 https://anonymous.4open.science/r/MS-HGFN 获取。
引用
@article{arxiv.2511.01570,
title = {Gated Fusion Enhanced Multi-Scale Hierarchical Graph Convolutional Network for Stock Movement Prediction},
author = {Xiaosha Xue and Peibo Duan and Zhipeng Liu and Qi Chu and Changsheng Zhang and Bin zhang},
journal= {arXiv preprint arXiv:2511.01570},
year = {2025}
}