股票预测的时间关系排序

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Temporal Relational Ranking for Stock Prediction》
---
作者：
Fuli Feng, Xiangnan He, Xiang Wang, Cheng Luo, Yiqun Liu, Tat-Seng
  Chua
---
最新提交年份：
2019
---
英文摘要：
  Stock prediction aims to predict the future trends of a stock in order to help investors to make good investment decisions. Traditional solutions for stock prediction are based on time-series models. With the recent success of deep neural networks in modeling sequential data, deep learning has become a promising choice for stock prediction. However, most existing deep learning solutions are not optimized towards the target of investment, i.e., selecting the best stock with the highest expected revenue. Specifically, they typically formulate stock prediction as a classification (to predict stock trend) or a regression problem (to predict stock price). More importantly, they largely treat the stocks as independent of each other. The valuable signal in the rich relations between stocks (or companies), such as two stocks are in the same sector and two companies have a supplier-customer relation, is not considered. In this work, we contribute a new deep learning solution, named Relational Stock Ranking (RSR), for stock prediction. Our RSR method advances existing solutions in two major aspects: 1) tailoring the deep learning models for stock ranking, and 2) capturing the stock relations in a time-sensitive manner. The key novelty of our work is the proposal of a new component in neural network modeling, named Temporal Graph Convolution, which jointly models the temporal evolution and relation network of stocks. To validate our method, we perform back-testing on the historical data of two stock markets, NYSE and NASDAQ. Extensive experiments demonstrate the superiority of our RSR method. It outperforms state-of-the-art stock prediction solutions achieving an average return ratio of 98% and 71% on NYSE and NASDAQ, respectively.
---
中文摘要：
股票预测旨在预测股票的未来趋势，以帮助投资者做出正确的投资决策。股票预测的传统解决方案是基于时间序列模型。随着深度神经网络在序列数据建模方面的成功，深度学习已成为股票预测的一个有希望的选择。然而，大多数现有的深度学习解决方案都没有针对投资目标进行优化，即选择预期收益最高的最佳股票。具体而言，他们通常将股票预测表述为分类（预测股票趋势）或回归问题（预测股票价格）。更重要的是，他们在很大程度上将这些股票视为相互独立的。不考虑股票（或公司）之间丰富关系中的有价值信号，例如两个股票位于同一部门，两个公司有供应商-客户关系。在这项工作中，我们提出了一种新的深度学习解决方案，称为关系股票排名（RSR），用于股票预测。我们的RSR方法在两个主要方面改进了现有的解决方案：1）裁剪股票排名的深度学习模型，2）以时间敏感的方式捕捉股票关系。我们工作的主要创新之处在于提出了神经网络建模中的一个新组件，即时态图卷积，它可以联合建模股票的时态演化和关系网络。为了验证我们的方法，我们对纽约证券交易所和纳斯达克两个股票市场的历史数据进行了回测。大量实验证明了我们的RSR方法的优越性。它的表现优于最先进的股票预测解决方案，在纽约证券交易所和纳斯达克的平均回报率分别为98%和71%。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Information Retrieval        信息检索
分类描述：Covers indexing, dictionaries, retrieval, content and analysis. Roughly includes material in ACM Subject Classes H.3.0, H.3.1, H.3.2, H.3.3, and H.3.4.
涵盖索引，字典，检索，内容和分析。大致包括ACM主题课程H.3.0、H.3.1、H.3.2、H.3.3和H.3.4中的材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Temporal_Relational_Ranking_for_Stock_Prediction.pdf (1.87 MB)

2022-6-25 03:55:21 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：股票预测 Applications Quantitative respectively Mathematical

出版日期：2019年12月：2傅立峰、何香楠、王翔、罗成、刘益群和达生ChuaMethod 2选择股票B（10）。实际方法1方法2预测性能预测性能A B C A B C MSE Prot A B C MSE Prot+30+10-50+50-10-50 266 30+20+30-40 200 10A、B、C表示三只股票；数字（+20）是股票的真实/预测价格变化；粗体显示的值与建议的选择相对应。市值，股票交易已经成为许多市场的一种有吸引力的投资工具（假设）金融经济学家[，]。最近的一些证据表明[17、23、36、42？]。股票预测的传统解决方案基于时间序列分析模型，如卡尔曼滤波器[]，自回归模型及其扩展[]。给定一个股价指数，这类模型将其表示为一个随机过程，并将其视为预测，有三个主要缺点：1）模型严重依赖于指标的选择，假设的随机过程并不总是与现实世界中的波动性股票相容。3） 这些模型只能考虑几个指标，因为它们的推理复杂，无法全面描述可能处于受到过多因素的影响。Towards预测未来趋势或股票的准确价格[4，42-44]。一种基于最先进的神经网络的解决方案是状态频率记忆（SFM）网络[]，它以循环的方式对历史数据进行建模，并捕获以下价格的时间模式：fty美国股市领先一天，均方误差（MSE）小于6美元。然而，我们认为，这种预测方法在指导股票选择方面并不理想，因为它们的优化目标不是选择预期收益最高的顶级股票。

托比规范c、 它们通常将股票预测作为阳离子（关于价格变动方向）或回归（关于价格价值）任务，这将导致投资收益的巨大差异。表1给出了一个直观的例子，其中具有更好预测的方法在股票选择的实际目标和回归的优化目标之间存在差异，即最优股票交易。现有基于神经网络的解决方案的另一个局限性是，它们通常将股票视为相互独立的，而忽略了股票之间的关系。然而，股票与相应公司之间的丰富关系可能包含有价值的股票预测线索。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：3…AAPL………FBGOOGL顺序输入SLSTM LSTM LSTM顺序嵌入层…TGR关系嵌入层………预测层FC FC FCRanking ScoresFig。1、关系型股票排名框架。应注意，同一层中描绘的LSTM单元和FC单元（完全连接层）共享相同的参数。比如falsi产品质量数据的分类。为了将股票关系整合到预测中，直观的解决方案是将股票关系表示为一个图，然后基于该图（即基于图的学习）[，，，，]对股票进行正则化预测。然而，传统的图学习技术无法捕捉股票市场的时间演化特性（例如，特定的类时间收益率）。然后，我们提出了一个端到端的框架，称为关系股票排名（RSR），以解决股票排名问题。我们的框架可以在图1中找到说明。

Speci公司凯莉，我们rst将每个股票的历史时间序列数据馈送到长-短期记忆（LSTM）网络，以捕获序列相关性并学习股票的顺序嵌入。通过设计一种新的时态图卷积（TGC），我们接下来通过以时间敏感的方式考虑股票关系来修改序列嵌入。最后，我们介绍了feedmarkets、纽约证券交易所（NYSE）和纳斯达克股票市场（NASDAQ）。Extensiveback测试结果表明，我们的RSRcantly的表现优于SFM[]，回报率提高了115%以上。本文的主要贡献总结如下。ACM信息系统交易，第1卷，第1号，文章。出版日期：2019年12月：4冯富力、何香楠、王翔、罗成、刘益群和蔡达生o以学习排名的方式解决股票预测问题。o以时间敏感的方式明确获取股票关系领域知识我们通过经验证明了e我们对纽约证券交易所和纳斯达克这两个现实世界的股票市场的提案的有效性。edge关于LSTM和基于图形的学习，它们构成了我们方法的组成部分。第3节介绍了我们提议的RSR。第4节和第5节分别描述了数据集和实验。在第6节中，我们回顾了相关工作，然后总结了第7.2节的预备知识xxLetters（例如X），分别表示矩阵、向量和张量。标量和超参数xλ，其他规格ed，所有向量均为列形式，xi jdenotes the entry at thei th rowjXσtanh⊙切线函数和元素生产操作。2.1长-短期记忆[]、语音[]和视频[]。

LSTM是一种特殊的递归神经网络（RNN）[]，它通过时间演化隐藏状态来捕获输入数据的序列模式，例如，细胞状态来存储长期记忆并捕获序列中的长期依赖性。在提供规范之前c LSTM公式，我们rst描述与LSTM相关的术语。在每个时间步t，xt∈ Rd表示输入向量（例如，thDctht的嵌入向量∈ RU（内存）状态向量和隐藏状态向量，其中UIS是隐藏单元的数量。矢量zt∈ RUI是一个信息转换模块。向量it、ot和ft∈ RUDENOTEAN和控制门为dened通过以下方程式：zt=tanh（Wzxt+Qzht-1+bz）it=σ（Wixt+Qiht-1+bi）ft=σ（Wfxt+Qfht-1+bf）ct=英尺⊙ 计算机断层扫描-1+it⊙ ztot=σ（Woxt+Whht-1+bo）ht=ot⊙ tanh（ct），（1）其中WZ、Wi、Wf、Wo∈ RU×D、andQz、Qi、Qf∈ RU×Uare映射矩阵；bz、bi、bf和BO∈ RUXT参考LSTM的详细说明及其与香草RNN的比较：http://colah.github.io/posts/2015-08-Understanding-LSTMs/.ACM《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：5ctby updatengzt；（2） 更新输入网关以控制来自ZTOCT的信息；（3） 更新遗忘网关（forget Gateft），以决定在内存状态中应保留多少信息；（4） 通过融合信息刷新内存状态C来自输入门和存储门的ows；（5） 更新输出网关以调节可输出的信息量；（6） UPDATEHTHTCABLE可以捕获序列数据中的长期依赖关系。2.2基于图形的学习41？^y=f（x）从特征空间到目标标签空间的实体。通常通过最小化抽象为：Γ=Ohm + λΦ, (2)Ohm^yyΦλ表示相似的顶点往往具有相似的预测。

广泛使用的Φis dened为：Φ=N~Oi=1N~Oj=1Д（xi，xj）{z}平滑度强度f（xi）√Dii公司-f（xj）pDj j|                {z}平滑度，（3）Д（xi，xj）Dii='INj=1Д（xi，xj）iterm对每对实体操作平滑度，强制执行它们的预测（在通过其特征向量Д（xi，xj）进行归一化后）。它可以等效地写成更简洁的矩阵形式：G=迹线（^YL^YT），（4），其中^Y=[^Y，^Y，···，^yN]，Lis dened asL=D-1/2（D- A） D-1/2，也称为graphLaplacian矩阵，A的每个元素都是Ai j=Д（xi，xj）。2.2.1图卷积网络。图卷积网络（GCN）是一种特殊的基于图的学习方法，它将基于图的学习的核心思想（即图的光滑性假设）与高级卷积神经网络（CNN）×相结合，以捕获输入数据（如图像中的斜线）中的局部模式。遵循神经网络的思想，GCN的目标是捕获图上的局部连接模式。然而，像直接对图的邻接矩阵应用卷积运算这样的直观解决方案是不可行的。替代解决方案是使用谱卷积来捕获Fourierdomain中的局部连接，例如：f（f，X）=UFUTX，（5）fFU是图Laplacian矩阵的特征向量矩阵，即，L=U∧UT。ACM信息系统交易，第1卷，第1号，文章。出版日期：2019年12月：6傅立峰、何香楠、王翔、罗成、刘益群和Tat Seng ChuaTable 2。

术语和符号。符号DenitionXt公司∈ RN×S×D=[Xt，···，XtN]t.A交易日N只股票的历史价格∈ 股票关系的RN×N×K二进制编码。Et=[Et，···，etN]T∈ RN×从历史价格中获得的N个股票的顺序嵌入。Et=[Et，···，etN]T∈ RN×u从Etand和A.rt+1、^rt+1学习到的所有股票的相对嵌入∈ RNground truth和N个股票的预测排名分数。w、 b要学习的权重和偏差。LFA是∧的函数。然后，它可以近似为高达k阶的切比雪夫多项式Tk（x），F≈K~OK=0θkTk（^∧），（6）^∧=λma x∧- IλmaxLθkcoecient；Tk（x）=xTk-1（x）-Tk公司-2（x），Tx=x，Tx=0。在[]中，作者证明了KF（F，X）=AXA（XW+b）最先进的GCN配方。3关系型股票评级股票预测的典型问题设置（即价格变动分类阳离子和价格回归）是学习预测函数^yt+1=f（Xt），该函数在时间步长t将股票从特征空间映射到目标标签空间。矩阵XXT=[xt-S+1、···、xt]T∈ RS×D表示顺序输入特征，其中是每个时间步特征的维数，是序列的长度。与股票预测的典型问题设置不同，股票预测处理^rt+1=f（Xt）t+假设我们没有股票，那么Xt∈ RN×S×D=[Xt，···，XtN]是收集的特征。此外，我们还将问题与一组明确的库存关系（例如，供应商关系）联系起来，我们将两个库存之间的成对关系编码为多个热二进制向量∈ RKand将所有股票的关系表示为张量∈ RN×N×K，其中第i行和第j列的条目为aij。在接下来的内容中，我们rst提供总体解决方案。然后，我们阐述了我们提出的用于处理股票关系的时间图卷积，然后讨论了它与现有基于图的学习方法的联系。

在表2中，我们总结了一些术语和符号。3.1框架嵌入层和预测层，具体如下。顺序嵌入层将股票的历史地位视为预测其未来趋势的重要因素。因此，我们rst应用顺序嵌入层来捕获顺序依赖关系注意，在GCN的简化形式中，由于切比雪夫近似，输入对角矩阵F被省略。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：历史数据中的7。由于RNN已经实现了处理顺序数据[，]的铁路超高性能，并证明为e目的在最近的股票预测研究[，]中，我们选择了与门回归单元（GRU）[]，我们选择LSTM是因为它能够捕捉长期股票，并具有长期股票预测的能力ects对一只股票的影响，如利率上升、年报发布、股价大幅下跌等。例如，如果一只股票经历了非常快速的下跌周（又称均值回归现象）。因此，我们将股票时间步长（Xti）的历史时间序列数据馈送给LSTM网络，并将最后一个隐藏状态（hti）作为股票的顺序嵌入（eti）（请注意，eti=hti），即我们有，Et=LST M（Xt），（7）Et=[Et，···，etN]T∈ RN×Uu嵌入大小（即U是LSTM中隐藏单元的数量）。关系嵌入层。我们现在考虑如何在中建模di之间的影响将主要知识（即股票关系）纳入数据驱动的方法中，用于顺序嵌入学习。在此，我们给出两个案例进行说明：o如果两家公司处于同一部门或行业，它们的股票价格可能会呈现类似的趋势，因为它们往往处于受到类似外部事件的影响。

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。