价格图：利用金融时间序列的结构信息预测股价

大量研究工作致力于在股票预测中应用深度神经网络。然而，长程依赖与混沌特性仍是降低最先进深度学习模型预测未来价格趋势性能的两个主要问题。在本研究中，我们提出一种新颖框架以同时解决这两个问题。具体而言，在将时间序列转换为复杂网络方面，我们将市场价格序列转换为图。然后，从映射图中提取结构信息（即时间点之间的关联与节点权重），以解决长程依赖与混沌特性相关的问题。我们采用图嵌入来表示时间点之间的关联，作为预测模型的输入。节点权重用作先验知识，以增强时间注意力的学习。我们使用真实世界股票数据验证了所提框架的有效性，并且我们的方法在多个最先进基准中取得了最佳性能。此外，在进行的交易模拟中，我们的框架进一步获得了最高的累计利润。我们的结果补充了复杂网络方法在金融领域的现有应用，并为金融市场中有关决策支持的投资应用提供了深刻启示。