論文の概要: Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction

• arxiv url: http://arxiv.org/abs/2107.14033v1
• Date: Thu, 22 Jul 2021 02:16:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-01 11:05:15.802892
• Title: Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction
• Title（参考訳）: ストックトレンド予測のための時間関係ハイパーグラフトリアテンションネットワーク
• Authors: Chaoran Cui, Xiaojie Li, Juan Du, Chunyun Zhang, Xiushan Nie, Meng Wang, Yilong Yin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 45.74513775015998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the future price trends of stocks is a challenging yet intriguing problem given its critical role to help investors make profitable decisions. In this paper, we present a collaborative temporal-relational modeling framework for end-to-end stock trend prediction. The temporal dynamics of stocks is firstly captured with an attention-based recurrent neural network. Then, different from existing studies relying on the pairwise correlations between stocks, we argue that stocks are naturally connected as a collective group, and introduce the hypergraph structures to jointly characterize the stock group-wise relationships of industry-belonging and fund-holding. A novel hypergraph tri-attention network (HGTAN) is proposed to augment the hypergraph convolutional networks with a hierarchical organization of intra-hyperedge, inter-hyperedge, and inter-hypergraph attention modules. In this manner, HGTAN adaptively determines the importance of nodes, hyperedges, and hypergraphs during the information propagation among stocks, so that the potential synergies between stock movements can be fully exploited. Extensive experiments on real-world data demonstrate the effectiveness of our approach. Also, the results of investment simulation show that our approach can achieve a more desirable risk-adjusted return. The data and codes of our work have been released at https://github.com/lixiaojieff/HGTAN.
• Abstract（参考訳）: 投資家が利益を上げるために重要な役割を担っているため、将来の株価動向を予測することは難しいが興味深い問題だ。 本稿では,ストック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。 ストックの時間的ダイナミクスは、まず注意に基づくリカレントニューラルネットワークによって捉えられる。 そこで, 株式間の相互相関関係に依拠する既存研究とは違い, 株式は自然に集合グループとして結びついており, ハイパーグラフ構造を導入して, 業界長期化とファンド保有のストックグループワイドな関係を共同で特徴づけている。 hgtan (hypergraph tri-attention network) は, ハイパーグラフ畳み込みネットワークを階層的に構成するために提案されている。 このようにしてhgtanは、株式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し、株式移動間の潜在的なシナジーを十分に活用することができる。 実世界のデータに対する大規模な実験は、我々のアプローチの有効性を示している。 また, 投資シミュレーションの結果から, より望ましいリスク調整リターンが達成できることが示唆された。 私たちの仕事のデータとコードはhttps://github.com/lixiaojieff/hgtanでリリースされています。

関連論文リスト

• MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning [2.879827542529434]
  我々はMTRGL(Multi-modal Temporal Relation Graph Learning)という新しいフレームワークを導入する。 MTRGLは時系列データと離散的な特徴を時間グラフに結合し、メモリベースの時間グラフニューラルネットワークを使用する。 実世界のデータセットを用いた実験により,MTRGLの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-01-25T14:21:14Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Multi-relational Graph Diffusion Neural Network with Parallel Retention for Stock Trends Classification [6.383640665055313]
  本稿では,複数株の今後の動きを予測することを目的としたグラフベース表現学習手法を提案する。 当社のアプローチは、7年にわたる3回の試行期間における次のトレーディングデイの株価トレンドを予想する上で、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-01-05T17:15:45Z)
• DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction [8.7861010791349]
  本稿では,これらの問題に対処するための知識のない新しいグラフ学習手法を提案する。 まず,信号処理の観点から,エントロピー駆動エッジ生成による動的ストックグラフの自動構築を行う。 最後に, 特徴的階層内特徴を捉えるために, 分離表現学習方式を採用する。
  論文  参考訳（メタデータ） (2024-01-03T17:36:27Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• 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)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• 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)
• 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。