S$^3$G：用于增强股票趋势预测的股票状态空间图
计算工程、金融与科学
2026-03-26 v1
摘要
股票趋势预测因其潜在的实际投资收益而引起广泛关注。随着深度学习在量化金融领域的兴起，研究者越来越认识到股票之间协同作用（如行业成员关系或上下游关系）在准确捕捉市场动态方面的重要性。然而，先前的工作通常依赖于静态行业图或通过相似性度量在每个时间步骤上构建图，忽略了股票关系的流动演化。我们观察到，随着公司在竞争和合作中相互作用，他们的相互依赖关系以细粒度、随时间变化的方式变化，无法被粗糙的静态连接或简单的相似性快照完全捕捉。为了应对这些挑战，我们引入了股票状态空间图（SG）框架，用于增强股票趋势预测。首先，我们对本征信号信噪比低的金融时间序列应用小波变换进行去噪并提取显著模式。随后，我们在每个时间点构建数据依赖图，并采用状态空间模型来表征这些图的演化动力学。最后，我们执行图聚合操作以获得预测收益。大量实验在历史CSI 500数据上表明，SG在状态前沿性能方面表现卓越，年化收益和盈亏比均优于其他基准方法。
引用
@article{arxiv.2603.24236,
title = {S$^{3}$G: Stock State Space Graph for Enhanced Stock Trend Prediction},
author = {Yao Lu and Kaiyi Hu and Luyan Zhang},
journal= {arXiv preprint arXiv:2603.24236},
year = {2026}
}
备注
4 pages, 1 figure, 1 table. Accepted by ICASSP 2026