基于静态与动态关系融合的双关系网络股票预测
机器学习
2025-10-14 v1
摘要
对股票间关系的精确建模对股价预测至关重要。然而,现有方法主要关注单一状态的关系,忽视了股票间动态关系与静态关系之间不可或缺的互补性。为解决这一问题,我们提出双关系融合网络(DRFN),以捕捉股票关系结构的长期相对稳定性,同时保留对突发市场变化作出响应的灵活性。我们的方法包含一种新颖的相对静态关系组件,用于建模随时间变化的长期模式并纳入隔夜信息的影响。我们通过距离感知机制捕捉股票间的动态关系,同时通过将前一日的动态关系与预定义静态关系进行循环融合来演化长期结构。实验表明,我们的方法在不同市场上均显著优于基线模型,且对关系强度与股价的协同运动具有高度敏感性。
引用
@article{arxiv.2510.10695,
title = {Stock Prediction via a Dual Relation Fusion Network incorporating Static and Dynamic Relations},
author = {Long Chen and Huixin Bai and Mingxin Wang and Xiaohua Huang and Ying Liu and Jie Zhao and Ziyu Guan},
journal= {arXiv preprint arXiv:2510.10695},
year = {2025}
}
备注
11 pages