股票预测的时间关系排序

图2（a）显示了两个示例股票，MSFT（Microsoft Inc.）和GOOGL（Alphabet Inc.），这两个股票都属于同一部门（技术）和行业（计算机软件）。如图2（a）所示，这两支股票在2017年的价格变化趋势非常相似。请注意，我们通过计算每个交易日的增长率，根据重新开始的第一天ect价格变化。o这种供应商-消费者关系的影响，表明Lens的股价在2017年9月22日接下来的几周内不断上涨。为了在股票历史数据中捕捉这种模式，我们设计了一种新的神经网络股票关系组件。它生成关系嵌入集∈ RN×Uin是一种时间敏感（动态）方式，这是本工作的一项关键技术贡献，将在第3.2节稍后详细阐述。预测层。最后，我们将顺序嵌入和修正的关系嵌入提供给一个完全连接的层，以预测每个股票的排名分数；然后根据预测得分生成推荐购买的股票的排名列表。损失和成对排名感知损失：l（^rt+1，rt+1）=^rt+1- rt+1+ αN~Oi=0N~Oj=0max（0，-（^rit+1-^rjt+1）（rt+1 I-rt+1j），（8）http://www.nasdaq.com/screening/companies-by-industry.aspxhttps://www.techradar.com/reviews/iphone-8-RevieweWCM信息系统交易记录，第1卷，第1号，文章。出版日期：2019年12月：8 Fuli Feng、Xiannan He、Xiang Wang、Cheng Luo、Yiqun Liu和Tat Seng Chua（a）部门行业关系（b）供应商-消费者关系图。2.

股票价格历史的两个例子（与第一个交易日相比，标准化为增长率），以说明公司关系对股票价格的影响。式中，rt+1=【rt+1，···rt+1N】和^rt+1=【^rt+1，···rt+1N】∈ RNare地面真实值和预测排名分数，α是平衡这两个损失项的超参数。因为我们专注于确定最专业的在股票交易表中，我们使用股票的1天回报率作为基本事实，而不是之前工作中使用的标准化价格[]。我们将在数据收集的第4.1节中提供有关计算地面真相的更多详细信息。这个rst回归项惩罚di地面真实值和预测值之间的差异。第二个术语是成对最大利润损失[]，它鼓励预测的排名损失已在多个应用程序中使用，如推荐[]和基于知识的完成[]，并在排名任务中表现出良好的性能。最小化我们提出的综合损失将迫使预测排名分数接近1）股票的绝对收益率，以及2）股票之间收益率的相对顺序，因此股票可以帮助选择投资目标（即排名靠前的股票）。另一方面，准确预测回报率将有助于决定投资时机，因为只有当回报率大幅上升时，排名靠前的股票才是有价值的目标。3.2时序图卷积给定股票及其序列嵌入集∈ RN×U（即顺序emA的输出∈ RN×N×KGraph卷积学习修正嵌入集∈ RN×Uthat对关系信息进行编码。我们没有直接介绍TGC的公式，而是详细介绍了如何设计组件，以阐明其基本原理。

最后，我们讨论了它与现有的基于图的学习方法的联系。a） 两个关联股票之间的一致嵌入传播，我们考虑通过信息系统上的相似ACM交易，第1卷，第1期，文章来关联它们的嵌入。出版日期：2019年12月。股票预测的时间关系排序：9链接分析中的传播过程：eti=~O{j | sum（aji）>0}djetj，（9）sum（aji）ajiajijisum（aji）>dj是满足条件sum（aji）>0的股票数量。在t.b）加权嵌入传播对其价格有不同的影响之后，我们应用非均匀coe传播嵌入项时的系数：eti=~O{j | sum（aji）>0}Д（aji）djetj，（10）Д（aji）aji将其称为关系强度函数。例如，假设我们有两个名为supplier\\u customersame\\u industryjikjikivectors的关系：aji=[，]andaki=[，]。我们可以通过给di喂食将不同的关系向量转化为一个过程，以说明关系图的拓扑结构和关系的语义。c） 时间感知嵌入传播是指关系强度函数返回在发布新版iPhone期间，苹果公司（Apple Inc.）与Lens Technology Co Ltd）之间的关系向量AjireGardlessupplier\\u customerrelation的固定权重对Lens股价的影响比平时更大。为了解决这一局限性，我们建议将时间信息编码为关系强度函数和ne时间感知嵌入传播过程如下：eti=~O{j | sum（aji）>0}Д（aji，eti，etj）djetj，（11）考虑顺序嵌入（注意它们是时间敏感的），以估计关系的强度。除了对时间信息进行编码外，另一个好处是这种设计的关键是序列嵌入也对股票信息进行编码。

这使得relationstrength函数可以基于关注的股票来估计关系向量的影响，这是非常可取的。是否以显式或隐式方式对两个股票之间的相互作用进行建模。ACM信息系统交易，第1卷，第1号，文章。出版日期：2019年12月：10傅立峰、何香楠、王翔、罗成、刘益群和蔡达生o显式建模。对于显式方式，我们ne关系强度函数为：Д（aji，eti，etj）=etiTetj |{z}相似性×Д（wTaji+b）{z}关系重要性，（12）w∈ RKbИAJII的强度由两个术语确定——相似性和关系重要性。Speci公司Caly，协同过滤[]。第二项是关于关系的非线性回归模型，其中每个元素通常表示关系的权重，而b是一个偏差项。由于该函数的两个术语都是可直接解释的，因此我们将其称为显式建模隐式建模到完全连接的层以估计关系强度：Д（aji，eti，etj）=Д（wT[Eit，etjT，ajiT]T+b），（13）其中∈ R2U+Kandbare待学习模型参数；ν是一个激活函数，与方程式12中的激活函数相同。然后，我们使用softmax函数对输出进行规范化，这也使其具有更多的非线性。由于这种交互方式是由参数隐式捕获的，因此我们将其称为隐式建模。3.2.1与基于图形的学习的联系。嵌入传播等价于图卷积网络（GCN）。

为了展示这种关系，让我们rst构建一个基于股票关系编码SAT的图，其中顶点表示股票，边连接至少具有一个关系的顶点，即，如果它们满足条件和（aij）>0，我们连接顶点和JI。如果我们用邻接矩阵来表示图并用列对其进行规格化，则均匀嵌入传播（即方程10）具有完全相同的eect作为最先进的图形HF（F，X）=axTGC中设计的时间演化特性，因为邻接矩阵必须建模时间模式，因此我们将其称为时间图卷积。4用于广泛评估的数据收集数据集。因此，我们考虑自行构建数据，即，有两个条件：1）自2013年2月1日以来，交易日超过98%；2） 模式；第二个条件确保所选股票不是低价股票，这意味着我们使用的是漏泄直管er[25]，斜率为0.2，作为我们实现中的激活函数。https://www.sec.gov/fast-answers/answerspennyhtm.htmlACM《信息系统交易》，第1卷，第1号，第条。出版日期：2019年12月。股票预测的时间关系排序：11表3。顺序数据的统计信息。根据美国证券交易委员会的建议，市场股票#培训日#201312/2015/02/31验证日#201612/04/30/2016测试日#201712/08/2017NASDAQ 1026 756 252 237NYSE 1737 756 252 237对普通投资者而言风险太大。我们的实验结果是1026只纳斯达克股票和1737只纽约证券交易所股票。对于这些股票，我们在其公司之间建立了供应商-消费者关系和所有权关系。接下来，我们将介绍这些数据的详细信息。4.1序列数据继[]之后，我们将预测频率设置为每日水平。

根据我们的问题公式，我们将根据最后一个交易日的每日历史数据，预测下一个交易日的股票排名。因为股票的回报率表明其预期收益为1+1（pt+1-2013年2月1日至2017年8月12日期间各股票的pti）/pti价格。在收集之后，我们分别规范化和评估。4.2股票关系数据4.2.1行业关系。观察同一行业的股票是股票的趋势。在纳斯达克和纽约证券交易所，每只股票都是classi本文末尾的附录a.1中详细介绍了所提取的插图关系。提取后，我们统计每个市场中出现的行业（即关系）类型的数量，以及具有行业关系的股票对的比率，并将其汇总在表4中。可以看出，纳斯达克和纽约证券交易所的股票对之间分别存在112种和130种行业关系。两个股票市场中的行业关系类型。4.2.2基于Wiki公司的关系。作为实体关系的丰富来源，知识库包含了公司实体和公司关系，它们可能会ect对股票的影响。Assuch，我们提取Wikidata[]是最大、最活跃的开放领域知识库之一，拥有超过4200万项（例如。，https://www.nasdaq.com/screening/industries.aspxACM《信息系统交易》，第1卷，第1号，第条。出版日期：2019年12月：12傅立峰、何香楠、王翔、罗成、刘益群和达生·查菲格。NASDAQ和NYSE公司的行业等级说明。表4：。

NASDAQ和NYSE数据集中的行业关系和Wiki关系数据统计。行业关系Wiki关系关系类型#关系比率（成对）关系类型#关系比率（成对）纳斯达克112 5.00%42 0.21%纽约证券交易所130 9.37%32 0.30%谷歌LLCAlphabet Inc.母公司CitigroupInc。BlackRockic。由生产商波音747Boeing股份有限公司联合航空公司（Inc.Inc.）所有，经营项目（a）一阶关系（b）二阶关系图。4、从Wikidata中提取的一阶和二阶公司关系示例。IJIJIJIUnited Airlines，股份有限公司拥有di针对波音747的不同声明。在一次筋疲力尽的探索之后。2在本文的最后。然后，我们分别总结了纳斯达克和纽约证券交易所股票对之间的关系类型计数和公司关系的股票类型比率。5实验据我们所知，我们的工作是第一种是将股票关系纳入股票预测模型，尤其是基于神经网络的模型。因此，在本节中，我们进行实验，旨在回答以下研究问题：（1）RQ1：将股票预测作为排名任务的效用如何？我们提出的RSR解决方案能否优于最先进的股票预测解决方案？（2） RQ2学习？（3） RQ3：我们提出的RSR解决方案在di下的表现如何不同的回溯测试策略？https://www.mediawiki.org/wiki/Wikibase/DataModel/JSONWe手动操作过滤掉信息量较小的关系，例如位于同一时区。ACM信息系统交易，第1卷，第1号，文章。出版日期：2019年12月。股票预测的时间关系排序：13在下面的内容中，我们首先介绍实验设置，然后回答上述三个研究问题。5.1实验Seing5.1.1评估协议。

在[]之后，我们在测试期间（2017年3月1日至2017年8月12日）采用每日买入持有卖出交易策略tot+1，我们使用股票预测方法模拟交易员，以以下方式进行交易：（1）当市场在交易日收盘时，ta排名表中列出了每只股票的预测回报率。交易员购买预期收益最高的股票（即排名靠前）。（2） 当市场在交易日t+t收盘时，在计算累计投资回报率时，我们遵循几个简单的假设：（1）交易者在每个交易日花费相同的金额（例如，5万美元）。我们做出这个假设是为了消除测试过程的时间依赖性，以进行公平比较。（2） 市场总是充满活力充足的流动性，以便采购订单以当日收盘价卖出，卖出价为当日收盘价+1。（3） 交易成本被忽略了，因为通过经纪人交易美国股票的成本非常低廉，无论是通过交易还是股票交易。例如，富达投资和互动经纪人每笔交易仅收取4.95美元，每股仅收取0.005美元。既然目标是准确预测股票的回报率，并对其进行适当的排名？用于排名绩效评估的指标。在这里，我们计算的平均倒数排名是我们的主要指标，它是通过对每个测试日所选股票的回报率求和来计算的。较小的MSE值(≥0）且MRR（[，]）和IRR的值越大，表明绩效越好。对于每种方法，我们重复测试程序ve次并报告平均性能，以消除di引起的后果不同的初始化。公式：oSFMC将价格作为输入，并将价格分解为di信号不同频率的离散傅里叶变换（DFT）。

然后向DFT coe提供数据将数据输入扩展的LSTMembeddings，然后输入FC层进行预测LSTM[]：这种方法是普通LSTM，它对序列数据进行操作，包括收盘价和5、10、20和30天的移动平均数，以获得序列嵌入；然后利用FC层对收益率进行预测。应该注意的是，我们忽略了基于时间序列模型和shallowSFMLSTM的潜在基线https://www.stockbrokers.com/guides/commissions-feesACM《信息系统交易》，第1卷，第1号，第条。出版日期：2019年12月：14傅立峰、何香楠、王翔、罗成、刘益群和达生绰表5。使用回归公式（SFMANDLSM）和排名公式（Rank\\U LSTM）的解决方案之间的性能比较。纳斯达克NYSEMSE MRR IRR MSE MRR IRRSFM 5.20e-4±5.77e-5 2.33e-2±1.07e-2-0.25±0.52 3.81e-4±9.30e-5 4.82e-2±4.95e-3 0.49±0.47LSTM 3.81e-4±2.20e-6 3.64e-2±1.04e-2 0.13±0.62 2.31e-4±1.43e-6 2.75e-2±1.09e-2-0.90±0.73Rank\\u LSTM 3.79e-4±1.11e-6 4.17e-2±7.50e-3 0.68±0.60 2.28e-4±1.16e-6 3.79e-2±8.82e-3 0.56±0.68公式：oRank\\u LSTM：我们移除建议RSR获得该方法，即该方法忽略股票关系基于图的排名（GBR）：根据方程2，我们将图正则化项添加到RANK\\LSTM的损失函数中，从而平滑关系图上的预测收益率GCN[]：GCN是最先进的基于图形的学习方法。我们通过将我们提出的RSR的TGC层替换为GCN层来获得这种方法。股票关系图inGBR被输入GCN层RSR\\u E：我们提出的RSR，在TGC中进行显式建模RSR\\u I：我们在TGC中提出了具有隐式建模的RSR。5.1.3参数Seings。

我们使用TensorFlowexceptSFMof实现模型，我们使用原始实现。值得一提的是，这些实现可以进行搜索，为所有方法选择有关IRR的最佳超参数。对于fm，{，，}和{，，}内的频率数和隐藏单元数。对于LSTM的超参数，顺序输入的长度和隐藏单元的数量SU，{，，，}{，，，}{，，}SUα8，它平衡了逐点项和逐对项；speci公司从理论上讲，我们在{，，}范围内调整α，用于秩\\u LSTM、GCN、RSR\\u E和RSR\\u I。我们进一步在{0.1，1，10}范围内调整正则化项inGBR的λ。5.2股票排名公式研究（RQ1）Rank\\U LSTMoRank\\U LSTMOUT在两个市场上都表现出色，在解决股票预测任务方面，通过高级学习排名技术的RQ1，取得了巨大进步然而，Rank\\U LSTMF未能始终优于SFM和LSTMR从所有评估指标来看，其在纽约证券交易所w.r.t.的表现比SFM差。究其原因，可以归结为准确预测收益率的绝对值与其相对顺序之间的关系。https://www.tensor噢组织机构/https://github.com/z331565360/State-Frequency-Memory-stock-predictionACM《信息系统交易》，第1卷，第1号，第条。出版日期：2019年12月。股票预测的时间关系排名：15（a）纳斯达克（纳斯达克）（b）纽约证券期货交易所。5、关于内部收益率的Rank\\u LSTM、SFM和LSTM的绩效比较。表6：。