論文の概要: FinGAT: Financial Graph Attention Networks for Recommending Top-K
Profitable Stocks
- arxiv url: http://arxiv.org/abs/2106.10159v1
- Date: Fri, 18 Jun 2021 14:51:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 13:55:27.206242
- Title: FinGAT: Financial Graph Attention Networks for Recommending Top-K
Profitable Stocks
- Title（参考訳）: FinGAT:金融グラフのアテンション・ネットワークでトップK株をリコメンド
- Authors: Yi-Ling Hsu, Yu-Che Tsai, Cheng-Te Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.302225525539006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Financial technology (FinTech) has drawn much attention among investors and
companies. While conventional stock analysis in FinTech targets at predicting
stock prices, less effort is made for profitable stock recommendation. Besides,
in existing approaches on modeling time series of stock prices, the
relationships among stocks and sectors (i.e., categories of stocks) are either
neglected or pre-defined. Ignoring stock relationships will miss the
information shared between stocks while using pre-defined relationships cannot
depict the latent interactions or influence of stock prices between stocks. In
this work, we aim at recommending the top-K profitable stocks in terms of
return ratio using time series of stock prices and sector information. We
propose a novel deep learning-based model, Financial Graph Attention Networks
(FinGAT), to tackle the task under the setting that no pre-defined
relationships between stocks are given. The idea of FinGAT is three-fold.
First, we devise a hierarchical learning component to learn short-term and
long-term sequential patterns from stock time series. Second, a fully-connected
graph between stocks and a fully-connected graph between sectors are
constructed, along with graph attention networks, to learn the latent
interactions among stocks and sectors. Third, a multi-task objective is devised
to jointly recommend the profitable stocks and predict the stock movement.
Experiments conducted on Taiwan Stock, S&P 500, and NASDAQ datasets exhibit
remarkable recommendation performance of our FinGAT, comparing to
state-of-the-art methods.
- Abstract（参考訳）: 金融技術(FinTech)は投資家や企業の間で注目を集めている。
FinTechの従来の株価分析は株価の予測を目標としているが、利益を得るための努力は少ない。
さらに、株価の時系列をモデル化する既存のアプローチでは、株式とセクター(すなわち株式のカテゴリー)の関係は無視されるか、あるいは事前に定義されている。
株式関係の無視は、株式間で共有される情報を見逃すが、事前定義された関係を用いると、株間の株価の潜在的な相互作用や影響を描写できない。
本研究は、株価の時系列とセクター情報を用いて、利益率でトップkの株式を推薦することを目的とする。
我々は,ストック間の事前定義された関係が与えられないことを前提として,新たなディープラーニングモデルであるファイナンシャルグラフ注意ネットワーク(FinGAT)を提案する。
FinGATのアイデアは3倍です。
まず,時系列から短期および長期の連続パターンを学習するための階層的学習要素を考案する。
第2に、株式間の完全連結グラフと、セクター間の完全連結グラフと、グラフ注意ネットワークを構築し、株式とセクター間の潜伏相互作用を学習する。
第三に、利益の出る株式を共同で推薦し、株価の動きを予測するマルチタスクの目標が考案される。
台湾株,S&P500,NASDAQデータセットを用いて行った実験は,最先端の手法と比較して,FinGATの優れた推奨性能を示した。
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) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳（メタデータ） (2023-06-01T01:36:51Z) - 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) - Price graphs: Utilizing the structural information of financial time
series for stock prediction [4.4707451544733905]
株価予測に関する両問題に対処する新しい枠組みを提案する。
時系列を複雑なネットワークに変換するという点では、市場価格をグラフに変換する。
予測モデル入力として時間点間の関係を表すためにグラフ埋め込みを用いる。
論文 参考訳（メタデータ） (2021-06-04T14:46:08Z) - 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) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - Multi-Graph Convolutional Network for Relationship-Driven Stock Movement
Prediction [19.58023036416987]
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。
論文 参考訳（メタデータ） (2020-05-11T09:31:44Z)
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。