基于混合LSTM-GNN模型的股票价格预测：整合时间序列与图基分析
统计金融
2025-02-25 v1 人工智能
机器学习
摘要
本文提出一种新型混合模型，集成长短期记忆网络（LSTM）与图神经网络（GNN），以显著提升股票市场预测准确性。LSTM组件擅长捕捉股票价格数据中的时序模式，有效地对金融市场的时间序列动力学进行建模。与此同时，GNN组件利用皮尔逊相关性和关联分析，建模股票间的关系数据，捕捉影响股票价格的复杂非线性多元依赖。该模型采用扩张窗口验证方法进行训练和评估，使其能够从不断增长的数据中持续学习，并适应不断变化的市场条件。在历史股票数据上的大量实验表明，本混合LSTM-GNN模型实现了均方误差（MSE）为0.00144，相较于独立LSTM模型的0.00161，降低了10.6%。此外，混合模型在包括线性回归、卷积神经网络（CNN）和密集网络在内的传统方法和先进基准方法均上游优势。这些引人注目的成果凸显了通过混合方法整合时间序列与关系数据具有显著潜力，为实时交易和金融分析提供了强大工具。
引用
@article{arxiv.2502.15813,
title = {Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis},
author = {Meet Satishbhai Sonani and Atta Badii and Armin Moin},
journal= {arXiv preprint arXiv:2502.15813},
year = {2025}
}