通过属性驱动图注意力网络为股票预测建模动量溢出效应
由crisvalentine创建，最终由crisvalentine 被浏览 30 用户
论文原名
Modeling the Momentum Spillover Effect for Stock Prediction via Attribute-Driven Graph Attention Networks
论文作者
Rui Cheng, Qing Li
引言
在金融领域，上市公司的动量溢出效应是公认的。只有少数研究预测了一家公司在其相关公司方面的趋势。试点工作的一个常见策略是采用具有一些预定义牢固关系的图卷积网络 (GCN)。然而，动量溢出是通过各种公司关系传播的，其中的桥梁重要性随时间而变化。限制几个预定义的关系不可避免地会产生噪音，从而误导股票预测。此外，一旦建立连接，传统的 GCN 就会转移和聚合对等影响，而无需考虑两个连接公司的状态。这种非属性敏感性使得传统的 GCNs 不适合处理上市公司的属性敏感动量溢出，其中一个公司的异常价格下跌可能不会溢出，如果该下跌价格的交易量较小或链接公司的价格被低估了。在这项研究中，我们提出了一个属性驱动的图注意力网络（AD-GAT）来解决建模动量溢出的两个问题。这是通过元素明智地将关联公司的属性与源公司的属性的非线性变换相乘以考虑其属性敏感的动量溢出来实现的，并应用未屏蔽的注意力机制从观察到的市场推断一般动态公司关系由一种新颖的基于张量的特征提取器融合的信号。
简介
在股市中，各股之间存在动量溢出相关公司，其中一家公司的过去收益可以预先dict 与其相关的公司的回报（Ali 和 Hir-施莱弗 2020）。不幸的是，大多数关于股票预机器学习中的措辞忽略了来自其他公司假设历史信息股票的价格决定了它的未来（Li et al. 2018）。随着图神经网络 (GNN) 的进步 (Scarselli等。2009), 很少有研究人员一直在探索现代用图形控制股票预测的心理溢出效应进化网络 (GCN)（Chen、Wei 和 Huang，2018 年；冯等人。2019；李等人。2020b)。在这些研究中，每个企业被视为图中的一个节点，两个节点之间的边节点由预定义的公司关系确定。封顶-确定上市公司的动量溢出，每个节点为由其关系嵌入表示，即聚合图中邻居的属性。然而，传统的 GNN 转移和聚合对等影响不考虑两个关联公司的状态一次建立了一个连接。在实际股市中，影响关联公司的传播是属性敏感的。考试——ple，一家公司的异常价格下跌可能不会溢出如果这个下跌的价格的交易量很小，或者关联公司的价格被低估。此外，这些研究依赖于一组预定义的相关，例如股东（Chen、Wei 和 Huang，2018 年），行业（Feng 等人，2019 年），或价格联动（Li 等人，2019 年）。2020b)。然而，动量溢出效应是由各种公司间的联系，其中的桥接端口随时间变化。很难假设一个证书当已知的公司关系类型优于其他类型时它们被应用于研究动量溢出效应很好。另一种方法是结合各种预细化关系以形成主导关系来研究现代心理溢出效应。尽管许多金融研究ies 一直致力于发现列出的关系公司，还有一些重要的关系需要处理探索（Ali 和 Hirshleifer 2020）。显然，研究具有显性关系的上市公司的动量溢出受未发现的关系和有效方式的限制以利用预定义的关系。为了解决这两个问题，我们对属性敏感的动量溢出效应进行建模并通过小说估计上市公司的潜在关系属性驱动的图注意力网络（AD-GAT）。三提出的独特贡献如下：
- 提议建立一个与属性相关的聚合器来限制确定上市公司的属性敏感动量溢出公司。这是通过逐元素乘法实现的关联企业的非线性变换致敬与源公司的属性。
- 发现动量的主导关系上市公司的溢出，一种不加掩饰的注意力机制应用 nism 来推断一般动态企业关系从观察到的市场信号
- 提出了一种新颖的基于张量的建模来捕获具有特征相互作用的多模式市场信号为隐式推断公司状态提供坚实的基础和关系
对股票的三年数据进行的实验列入标准普尔 500 指数显示 AD-GAT 的优越性领先于最先进的算法，包括 eLSTM（Li等。2020a) 和 TGC（Feng 等人，2019 年）。相对于这些算法，所提出的方法实现了性能至少提高 6.4% 和 10.7%分别为直肠精度 (DA) 和 AUC。
论文PDF
/wiki/static/upload/46/4654263b-7ac3-44ce-84a7-0ebeca3b58f0.pdf
\