结构胜于信号：面向股票预测的多关系图神经网络的全局化方法
机器学习
2025-10-14 v1
摘要
在金融市场中，图神经网络 (GNN) 已成功应用于建模关系数据，有效捕捉非线性的股票间依赖关系。然而，现有模型在宏观经济冲击期间往往难以高效地传递消息。本文提出 OmniGNN，一种基于注意力机制的多关系动态图神经网络，通过异构节点和边类型整合宏观经济背景，以实现稳健的信息传递。OmniGNN 的核心是引入一个作为全局中介者的行业节点，使冲击可在图中快速传播，无需依赖远程多跳扩散。该模型利用图注意力网络 (GAT) 对邻居贡献进行加权，并运用 Transformer 捕捉跨复合关系的时序动态。实验表明，OmniGNN 在公开数据集上优于现有的股票预测模型，尤其在新冠疫情期间表现出强大的鲁棒性。
引用
@article{arxiv.2510.10775,
title = {Structure Over Signal: A Globalized Approach to Multi-relational GNNs for Stock Prediction},
author = {Amber Li and Aruzhan Abil and Juno Marques Oda},
journal= {arXiv preprint arXiv:2510.10775},
year = {2025}
}