TCGPN：用于股票预测的时间相关图预训练网络
机器学习
2024-07-29 v1 人工智能
统计金融
机器学习
摘要
最近，同时整合时间特征和时间序列之间的相关性已成为时间序列预测中有效的方法。时空图神经网络（STGNNs）在许多时相关预测问题中表现良好。然而，当应用于缺乏周期性的任务（如股票数据预测）时，STGNNs 的有效性和鲁棒性被发现不足。此外，STGNNs 受限于内存节省，无法处理节点数较大的问题。本文提出一种新方法，称为时间相关图预训练网络（TCGPN），以解决上述局限性。TCGPN 利用时间相关融合编码器获取混合表示，并通过精心设计的时序和相关性预训练任务进行预训练。整个结构独立于节点数目和顺序，因此可以通过各种数据增强获得更好结果。通过多次采样可显著降低训练期间的内存消耗。在具有最小周期性的真实股票市场数据集 CSI300 和 CSI500 上进行实验，我们在下游任务中微调一个简单的 MLP，实现了最先进的结果，验证了捕获更鲁棒时序相关模式的能力。
引用
@article{arxiv.2407.18519,
title = {TCGPN: Temporal-Correlation Graph Pre-trained Network for Stock Forecasting},
author = {Wenbo Yan and Ying Tan},
journal= {arXiv preprint arXiv:2407.18519},
year = {2024}
}