面向股票预测的时序关系排序
计算工程、金融与科学
2019-12-17 v2 信息检索
综合金融
摘要
股票预测旨在预测股票未来的走势，以帮助投资者做出良好的投资决策。传统的股票预测方案基于时间序列模型。随着深度神经网络在序列数据建模方面近期的成功，深度学习已成为股票预测的一种有前景的选择。然而，大多数现有的深度学习方案并未针对投资目标进行优化，即选择预期收益最高的最优股票。具体而言，它们通常将股票预测表述为分类问题（预测股票趋势）或回归问题（预测股票价格）。更重要的是，它们大体上将各股票视为相互独立的。股票（或公司）之间丰富关系中的有价值信号，例如两只股票属于同一行业板块、两家公司存在供应商-客户关系，并未被考虑。在本工作中，我们提出了一种名为关系股票排序（Relational Stock Ranking, RSR）的深度学习新方案用于股票预测。我们的RSR方法在两个方面推进了现有方案：1）为股票排序定制深度学习模型；2）以时间敏感的方式捕捉股票关系。我们工作的关键创新是在神经网络建模中提出了一个名为时序图卷积（Temporal Graph Convolution）的新组件，它联合建模股票的时间演化与关系网络。为验证我们的方法，我们在NYSE和NASDAQ两个股票市场的历史数据上进行了回测。大量实验证明了我们RSR方法的优越性。它优于最先进的股票预测方案，在NYSE和NASDAQ上分别实现了98%和71%的平均回报率。
引用
@article{arxiv.1809.09441,
title = {Temporal Relational Ranking for Stock Prediction},
author = {Fuli Feng and Xiangnan He and Xiang Wang and Cheng Luo and Yiqun Liu and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1809.09441},
year = {2019}
}
备注
Transactions on Information Systems (TOIS)