NGAT-一种用于长期股票预测的节点级图注意力网络-计算机科学-图神经网络-股票预测.pdfVIP

NGAT:一种用于长期股票预测的节点级图注意力

网络

YingjieNiu,MingchuanZhao,

ValerioPoti,andRuihaiDong

SchoolofComputerScience,UniversityCollegeDublin,Dublin,Ireland

SFICentreforResearchTraininginMachineLearning,Dublin,Ireland

SchoolofMathematicalSciences,DublinCityUniversity,Dublin,Ireland

MichaelSmurfitBusinessSchool,UniversityCollegeDublin,DublinIreland

本yingjie.niu@ucdconnect.ie,mingchuan.zhao@dcu.ie,

{valerio.poti,ruihai.dong}@ucd.ie

译

中

1摘要图表示学习方法已在金融应用中被广泛采用，通过利用企业间的关

v系来增强公司表示。然而，当前的方法面临三个关键挑战：(1)关系信息

8

1的优势因下游任务设计的限制而被掩盖；(2)为股票预测特别设计的现有

0图模型往往过于复杂且泛化能力差；(3)基于经验构建的企业关系图缺乏

2

0对不同图结构的有效比较。为了解决这些局限性，我们提出了一项长期股

7.票预测任务，并开发了一个专门为企业关系图定制的节点级图注意力网络

0（NGAT）。此外，我们通过实验展示了基于模型下游任务性能的现有图比

5较方法的局限性。在两个数据集上的实验结果一致证明了我们提出的任务

2

:和模型的有效性。该项目已在GitHub上公开，以鼓励可重复性和未来的

v5

i研究。

x

r

aKeywords:图神经网络·股票预测

1介绍

图神经网络（GNNs）因其消息传递机制而在图表示学习中占据主导地

位，该机制聚合邻近节点以学习反映图结构的上下文嵌入。这一成功激发了

将图表示学习应用于股票预测任务的兴趣，在这些任务中，公司将被建模为

节点，公司间的关系作为边[20,30]以捕捉动量溢出效应。现有研究通常遵

循一个共同范式：1）建模公司关系以构建边，2）应用GNNs到企业关系图

5/FreddieNIU/NGAT

2YingjieNiu,MingchuanZhao,ValerioPoti,andRuihaiDong

（CRGs）进行节点嵌入聚合，以及3）通过下游任务评估性能。然而，这一

范式面临三个关键挑战：

首先，动量溢出往往表现出滞后效应，其中一个股票的历史趋势会影响

另一个股票在未来一段时间内的走势（可能超过一天）。现有的基于图的股

票预测研究主要集中在单日预测范围的次日趋势预测[