股票预测的时间关系排序

具有行业关系的关系排序方法的性能比较。纳斯达克NYSEMSE MRR IRR MSE MRR IRRANK\\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±0.68GBR 5.80e-3±1.20e-3 4.46e-2±5.20e-3 0.57±0.29 2.29e-4±2.02e-6 3 3 3.43e-2±6.26e-3 0.68±0.31GCN 3.80e-4±2.24e-6 3.45e-2±8.36e-3 0.24±0.32 2.27e-4±1.30e-7 5.01e-2±5.56e-3 0.97±0.56RSR\\U E 3.82e-4±2.69e-6 3.16e-2±3.45e-3 0.20±0.22 2.29e-4±2.77e-64.28e-2±6.18e-3 1.00±0.58RSR\\u I 3.80e-4±7.90e-7 3.17e-2±5.09e-3 0.23±0.27 2.26e-4±5.30e-7 4.51e-2±2.41e-3 1.06±0.27o表明学习排名技术强调排名靠前的股票值得在未来探索。o纽约证交所上市公司的业绩——内部收益率（IRR）出人意料地糟糕。我们多次重复参数调整和测试程序第二，在其他超参数设置下，LSTM可以实现更好的性能（IRR值在0.1和0.2之间）。潜在di验证和测试之间的差异。图5说明了关于累积回报率的回测程序。可以看出，在所有情况下，曲线都是不稳定的，这表明在未来的股票排名任务中，仅从风险导向标准中选择一只股票。5.3股票关系的影响（RQ2）E行业关系ect股票关系。我们可以看到：oDAQ。这可以归因于行业关系ect更多的是长期相关性NYSE，并由短期因素主导[33]。o在纽约证券交易所，所有考虑股票关系的方法，即GBR、GCN、RSR\\u e、andRSR\\u i、跑赢大市的股票评级（PerformerRank\\u LSTMw）。r、 内部收益率。考虑到所有这些方法都采用Rank\\u LSTMas theACM信息系统事务，第1卷，第1期，文章。出版日期：2019年12月：16冯富力、何香楠、王翔、罗成、刘益群和蔡达生（a）纳斯达克（b）纽约证券交易所投资公司。6.

与IRR相关的行业关系的关系排序方法的回测程序。o此外，RSR\\U EandRSR\\U比GCNANDGBR有更好的改进。此结果验证埃斯特e与传统的GCNGBRStock关系相比，所提出的时间图卷积的有效性，结果也表明了在StockRelationship建模中考虑时间特性的基本原理原因是我们调整了有关内部收益率的超参数，它更侧重于高回报率测试日的正确排名。例如，在地面真实回报率为0.5的交易日进行正确预测将导致比在回报率为0.01的交易日进行正确预测更高的内部收益率。因此，一个模型可以获得更好的内部收益率，可以获得次优的MSE和MRR。在第206个和第209个交易日呈现大幅增长，此时表现最佳的股票通过在回报率发生巨大变化的交易日对股票进行精确排名，罕见的机会将带来令人满意的结果ed内部收益率。E股票Wiki关系的ect。我们观察到：o在所有情况下，我们提出的RSR\\u E和RSR\\u I实现了最佳性能w.r.t.IRR。它进一步证明了e方法的客观性我们对股票关系建模，即TGC成分Rank\\u LSTM>和eRSR框架的客观性。考虑行业关系（图6）。行业绩效：以RSR\\U Ias为例，我们通过评估其对各行业股票的绩效，即分别对各行业进行回溯测试，来研究绩效是否对行业敏感。回想一下，在纳斯达克，考虑行业关系的绩效FRSR\\U ICO并不乐观（内部收益率为0.23）。我们以该案例为例，调查行业绩效，如表8所示。注意，我们只展示了信息系统上的ACM事务，第1卷，第1期，文章。

出版日期：2019年12月。股票预测的时间关系排名：17表7。使用Wiki关系的关系排序方法的性能比较。纳斯达克NYSEMSE MRR IRR MSE MRR IRRANK\\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±0.68GBR 3.80e-4±2.40e-7 3.32e-2±4.50e-3 0.33±0.34 2.26e-4±4.20e-7 3.64e-2±5.35e-3 0.65±0.27GCN 3.79e-4±9.70e-7 3.24e-2±3.21e-3 0.11±0.06 2.26e-4±6.60e-7 3.99e-2±1.03e-2 0.74±0.30RSR\\U E 3.80e-4±7.20e-7 3.94e-2±8.15e-3 0.81±0.85 2.29e-4±2.77e-64.28e-2±6.18e-3 0.96±0.47RSR\\U I 3.79e-4±6.60e-7 4.09e-2±5.18e-3 1.19±0.55 2.26e-4±1.37e-6 4.58e-2±5.55e-3 0.79±0.34（a）纳斯达克（b）纽交所。7、关于IRR的关系排名方法与Wiki关系的性能比较。表8：。RSR\\U I在di中排名股票的表现纳斯达克w.r.t.IRR的不同部门。部门金融技术不适用消费者服务医疗保健#股票222 182 156 117 91IRR 0.33 1.12-0.70 0.57-0.85RPDRSR\\u I在纳斯达克，删除所选关系。关系P1056\\U P1056 P463\\U P463 P452\\U P452 P361\\U P361 P1056\\U P452ID见表14 46 R38 35 31 45#事件130 58 506 1194 10RPD-144.00%-70.13%-21.66%-17.52%-15.71%，技术部门IRR为1.12的可接受性能。这一结果进一步表明在纳斯达克市场上考虑行业关系的客观性，这与表6中的结果一致。此外，它还建议单独考虑各个部门的股票。每种类型Wiki关系的重要性表9显示，与所有Wiki关系作为输入（纳斯达克）相比，相对性能下降了w.r.t.IRR。请注意，我们只给出了前五大性能下降的关系。

我们可以看到，最重要的关系是P1056\\U P1056，考虑到合作公司的收入密切相关，因此，P1056\\U P1056是合理的受类似因素影响。简要结论：a）考虑股票关系有助于股票排名，尤其是在关系上。3） 重要的是考虑适合目标市场的适当关系，例如，在纳斯达克编码行业关系是次优选择。ACM信息系统交易，第1卷，第1号，文章。出版日期：2019年12月：18冯富力、何香楠、王翔、罗成、刘益群和蔡达生（a）纳斯达克行业（b）纳斯达克维基（c）纽交所行业（d）纽交所维基。8、基于RSR\\U I预测的反向测试策略（Top1、Top5和TOP10）的比较。5.4反向测试策略研究（RQ3）Top1、Top5、TOP10在每个测试日交易排名前10的股票。请注意，我们通过汇总每个测试日10只选定股票的平均回报率来计算内部收益率。图8展示了这些策略与SRU I预测的性能比较。类似的趋势来自如图所示，我们有以下观察结果：oRSR\\u I（图8（a））无法实现di的预期性能erent回溯测试策略关系）。它进一步表明e纳斯达克行业关系的有效性在其他情况下，TOP1、Top5和TOP10在大多数测试日的表现分别遵循TOP1>Top5>TOP10TOP1TOP10。原因可能是排名算法可以准确地对股票在未来收益率方面的相对顺序进行排名。

一旦订单准确，以更高的预期价格买卖股票t（例如排名前1位）将实现更高的累积回报率。我们进一步将我们的方法与两个市场指数，标准普尔500指数和道琼斯工业平均指数（DJI）进行了性能比较。此外，为了更好地从整个市场判断测试期间实现的回报率（如Top10）；b）在所提出方法所跨越的股票中，选择测试期内收益率最高的股票。表10显示了比较的投资策略w.r.t.IRR的绩效。从中，我们有以下观察：o熊市中的方法。此外，注意到市场指数是具有竞争力的投资组合（投资策略），实现内部收益率高于市场指数e的es拟定方法的有效性Top5reects为股票预测方法提供了巨大的改进空间。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：19表10。与市场指数和理想投资组合相比，RSR\\U I的表现。纳斯达克NYSETop1 Top5 Top10 Top1 Top5 Top10市场3.40 2.36 1.99 2.42 1.90 1.47选择1.63 0.81 1.10 2.24 1.78 1.39RSR\\U I 1.19 0.40 0.27 1.06 0.18 0.26标准普尔500 0.17DJI 0.22oTop1选择我们建议方法的竞争力。6相关工作我们的工作与最近在股票预测、基于图的学习和知识图嵌入方面的工作直接相关。6.1股票预测最近的股票预测工作可分为两大类：股票价格回归和股票趋势分类阳离子。一方面，Bao等人以历史价格为输入，预测了股票的前1天收盘价。

作者将历史价格视为一个信号使用堆叠式自动编码器（SAE）过滤频域中的噪声，并将SAE的输出反馈给LSTM进行预测[]。Zhang等人设计了一种LSTM的扩展，它通过离散傅立叶变换将历史价格分解到频域，并根据预测的指标交易相应的股票[3]。并将主题表示输入到支持向量机中进行趋势分类阳离子[]。在类似的等级下阳离子背景下，另一个研究方向是从相关角度对阿斯托克的趋势进行分类金融新闻报道[，44？？？]。例如，Zhao等人通过构建新闻报道的事件因果关系网络，并从事件中学习新闻嵌入——一种混合注意机制，专注地将提及阿斯托克的多条新闻报道融合到一个联合表征[]。此外，socialmedial中提及股票的文本内容也用于预测股票的走势[？]。关于预期收入，倾向于导致次优的股票选择。此外，现有的工作要么完全忽略股票关系，要么对这种关系进行启发式建模。各部门库存[？]。据我们所知，我们的工作是第一种是利用学习排序技术来解决股票预测任务，并将股票关系注入到具有新神经网络组件的学习框架中。ACM信息系统交易，第1卷，第1号，文章。出版日期：2019年12月：20基于图形的学习在基于图形的学习的文献中，人们深入研究了如何将实体之间的关系纳入目标任务的学习过程，以获得更好的绩效。

基于图的学习主要以两种方式进行：图正则化和具有成对实体关系的无向简单图，以平滑整个集合的预测。提出谱图卷积来捕获图中的局部连接模式，并传播局部连接顶点的信息，以获得更好的表示[]。在股票市场上。因此，他们会当直接应用于股票关系模型时，可以避免严重的信息丢失，并实现有限的改进。6.3知识图嵌入在一条相似的线中，对两个实体之间的关系建模（也称为知识图嵌入）已在知识图文献中得到深入研究。Bordes等人通过添加关系嵌入[]来表示实体和嵌入向量的关系，并转移实体嵌入。同样，Socher等人将关系表示为矩阵，并通过矩阵乘法传递实体嵌入[]。这些技术主要集中于解决面向知识图的问题，如知识图完成，而我们的目标是di通过股票关系的二连词Beddings部分受到了TransE的启发，我们的TGC是更通用的中介，可以联合捕获关系的时间属性和拓扑。7结论在本文中，我们将股票预测表述为一项排名任务，并展示了学习排名方法预测股票的潜力。为了解决这个问题，我们提出了一种关系化的Temp-oral图卷积，它可以处理di之间的影响通过以时间敏感的方式编码股票关系来区分不同的股票。

纳斯达克和纽约证交所的实验结果表明我们解决方案的有效性-三个di不同的回溯测试策略，theRSR框架优于标准普尔500指数，显著更高的回报率。如第5节所述，我们将探索通过更先进的排名技术学习来强调排名靠前的实体的潜力。此外，我们将在将nance纳入RSR框架，迫使预测具有风险敏感性。此外，我们还将研究RSR在多种投资操作下的表现，例如将财经新闻和社交媒体内容纳入预测模型。最后，考虑到所提出的TGC是对关系数据（尤其是结构化领域知识）建模的通用组件，我们希望探索TGC在增强具有此类关系数据的任务（如推荐系统和产品搜索）的神经网络解决方案方面的潜力。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名：我们收集的数据中的21A股票关系公司关系（第4节）。A、 1行业关系我们从公司类别中提取了112和130种行业关系NYSDAQ和NYSE市场的阳离子等级关系。表11：。