論文の概要: Multi-Graph Convolutional Network for Relationship-Driven Stock Movement Prediction

• arxiv url: http://arxiv.org/abs/2005.04955v3
• Date: Mon, 26 Oct 2020 07:08:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:58:37.032079
• Title: Multi-Graph Convolutional Network for Relationship-Driven Stock Movement Prediction
• Title（参考訳）: 関係駆動型株式移動予測のためのマルチグラフ畳み込みネットワーク
• Authors: Jiexia Ye and Juanjuan Zhao and Kejiang Ye and Chengzhong Xu
• Abstract要約: ストックムーブメントを予測するために,Multi-GCGRUと呼ばれるディープラーニングフレームワークを提案する。 まず、金融分野の知識に基づいて、株間の複数の関係をグラフにエンコードする。 先行知識を更に排除するために,データから学習した適応関係を探索する。
• 参考スコア（独自算出の注目度）: 19.58023036416987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock price movement prediction is commonly accepted as a very challenging task due to the volatile nature of financial markets. Previous works typically predict the stock price mainly based on its own information, neglecting the cross effect among involved stocks. However, it is well known that an individual stock price is correlated with prices of other stocks in complex ways. To take the cross effect into consideration, we propose a deep learning framework, called Multi-GCGRU, which comprises graph convolutional network (GCN) and gated recurrent unit (GRU) to predict stock movement. Specifically, we first encode multiple relationships among stocks into graphs based on financial domain knowledge and utilize GCN to extract the cross effect based on these pre-defined graphs. To further get rid of prior knowledge, we explore an adaptive relationship learned by data automatically. The cross-correlation features produced by GCN are concatenated with historical records and then fed into GRU to model the temporal dependency of stock prices. Experiments on two stock indexes in China market show that our model outperforms other baselines. Note that our model is rather feasible to incorporate more effective stock relationships containing expert knowledge, as well as learn data-driven relationship.
• Abstract（参考訳）: 株価変動予測は、金融市場の不安定な性質から、非常に困難な課題として一般に受け入れられている。 従来は、主に自社情報に基づいて株価を予測し、関連株間の相互効果を無視していた。 しかし、個々の株価が複雑な方法で他の株式の価格と相関していることはよく知られている。 グラフ畳み込みネットワーク(GCN)とゲートリカレントユニット(GRU)から構成され,ストック運動を予測する深層学習フレームワークであるMulti-GCGRUを提案する。 具体的には、まず、金融分野の知識に基づいて、株間の複数の関係をグラフにエンコードし、GCNを用いて、事前に定義されたグラフに基づいて相互効果を抽出する。 先行知識を更に排除するために,データから学習した適応関係を探索する。 GCNが生み出す相互相関の特徴は歴史的記録と結合し、株価の時間的依存をモデル化するためにGRUに供給される。 中国市場における2つの株価指数の実験は、我々のモデルが他のベースラインを上回っていることを示している。 我々のモデルは、専門家の知識を含むより効果的なストック関係を組み込むことができ、データ駆動関係を学ぶことができる。

関連論文リスト

• LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU [13.647242132570888]
  LSR-IGRUという株価トレンド予測モデルを提案する。 長期の株式関係と改良されたGRUインプットに基づいている。 我々は,現在最先端のベースラインモデルよりも提案したLSR-IGRUの優位性を検証した。
  論文  参考訳（メタデータ） (2024-08-26T02:58:37Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction [14.056579711850578]
  金融時系列における価格変動の動的関係を学習するための時間的・不均一なグラフニューラルネットワーク(THGNN)アプローチを提案する。 われわれは米国と中国における株式市場に関する広範な実験を行っている。
  論文  参考訳（メタデータ） (2023-05-09T11:17:46Z)
• GCNET: graph-based prediction of stock price movement using graph convolutional network [8.122270502556372]
  GCNETは、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用できる一般的な予測フレームワークである。 S&P500 と NASDAQ の在庫セットに関する実験および評価の結果,GCNET はSOTA の性能を精度およびMCC 測定で著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-02-19T16:13:44Z)
• HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information [73.40830291141035]
  近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。 これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。 本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-26T14:04:04Z)
• Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data [0.0]
  ストックフォアキャスティングのためのマルチグラフリカレントネットワーク(MGRN)という新しいストックムーブメント予測フレームワークを提案する。 このアーキテクチャは、財務ニュースからのテキストの感情と、他の財務データから抽出された複数の関係情報を組み合わせることができる。 精度テストとSTOXX Europe 600指数の株価のトレーディングシミュレーションを通じて、我々のモデルが他のベンチマークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T21:57:18Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• FinGAT: Financial Graph Attention Networks for Recommending Top-K Profitable Stocks [10.302225525539006]
  株価の時系列をモデル化する既存のアプローチでは、株価とセクター間の関係は無視されるか、事前に定義される。 本稿では,この課題に対処するための新しいディープラーニングモデルであるFinancial Graph Attention Networks (FinGAT)を提案する。 台湾株、S&P500およびNASDAQデータセットを用いた実験は、顕著なレコメンデーション性能を示した。
  論文  参考訳（メタデータ） (2021-06-18T14:51:14Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。