Exploiting Supply Chain Interdependencies for Stock Return Prediction: A Full-State Graph Convolutional LSTM
创建于 更新于
摘要
本文提出Full-State Graph Convolutional LSTM（FS‑GCLSTM），通过将LSEG价值链（supplier–customer）关系建模为图结构，并将图卷积应用于LSTM的输入、隐藏态与细胞态，从而在时序建模中引入空间依赖以改善次日股票收益预测；在Eurostoxx600与S&P500上实证显示，尽管并非在MSE/MAE上最优，FS‑GCLSTM在基于日频等权多头投资组合的经济性评估上实现了更高的年化收益、Sharpe 与 Sortino 比率，且在密集的欧洲网络中收益提升更明显 [page::0][page::3][page::8]
