TRACE：基于知识图谱的时间规则锚定链式证据用于可解释的股票走势预测
计算工程、金融与科学
2026-03-16 v1 人工智能
摘要
我们提出了一种基于知识图谱的时间规则锚定链式证据（Temporal Rule-Anchored Chain-of-Evidence, TRACE）方法，用于可解释的股票走势预测，将符号关系先验、动态图探索和LLM引导的决策集成到单个端到端管道中。该方法执行受限于可采纳关系序列的规则导向多跳探索，将候选推理链 grounded 在时事新闻中，并将完全Grounded的证据聚合为具有人类可读路径连接文本与结构的可审计的UP/DOWN裁决。在S&P 500基准上，该方法实现了55.1%的准确率、55.7%的精确率、71.5%的召回率和60.8%的F1分数，超越了强大的基线，并在相同评估条件下改进了召回率和F1分数。该 gains来源于(i)规则导向的探索将搜索聚焦于经济上有意义的图案而非任意路径，以及(ii)文本Grounded的整合而非均匀池化弱信号。正是这些选择导致了在不牺牲选择性的前提下提高了灵敏度，实现了具有可审计可解释解释的预测提升。
引用
@article{arxiv.2603.12500,
title = {TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction},
author = {Qianggang Ding and Haochen Shi and Luis Castejón Lozano and Miguel Conner and Juan Abia and Luis Gallego-Ledesma and Joshua Fellowes and Gerard Conangla Planes and Adam Elwood and Bang Liu},
journal= {arXiv preprint arXiv:2603.12500},
year = {2026}
}