Fugu-MT 論文翻訳(概要): Stock Movement Prediction Based on Bi-typed and Hybrid-relational Market Knowledge Graph via Dual Attention Networks

論文の概要: Stock Movement Prediction Based on Bi-typed and Hybrid-relational Market Knowledge Graph via Dual Attention Networks

arxiv url: http://arxiv.org/abs/2201.04965v1
Date: Tue, 11 Jan 2022 07:42:23 GMT
ステータス: 処理完了
システム内更新日: 2022-01-15 05:10:15.734849
Title: Stock Movement Prediction Based on Bi-typed and Hybrid-relational Market Knowledge Graph via Dual Attention Networks
Title（参考訳）: デュアルアテンションネットワークを用いた二型・ハイブリッド型市場知識グラフに基づく株価変動予測
Authors: Yu Zhao, Huaming Du, Ying Liu, Shaopeng Wei, Xingyan Chen, Huali Feng, Qinghong Shuai, Qing Li, Fuzhen Zhuang, Gang Kou
Abstract要約: ストック予測のために構築されたMKGに基づいて,運動量流出信号の学習を行う新しいデュアルアテンションネットワークであるDanSmpを提案する。提案されたDanSmpは、構築されたMKGで株価予測を改善することができる。
参考スコア（独自算出の注目度）: 22.428634477365392
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Stock Movement Prediction (SMP) aims at predicting listed companies' stock future price trend, which is a challenging task due to the volatile nature of financial markets. Recent financial studies show that the momentum spillover effect plays a significant role in stock fluctuation. However, previous studies typically only learn the simple connection information among related companies, which inevitably fail to model complex relations of listed companies in the real financial market. To address this issue, we first construct a more comprehensive Market Knowledge Graph (MKG) which contains bi-typed entities including listed companies and their associated executives, and hybrid-relations including the explicit relations and implicit relations. Afterward, we propose DanSmp, a novel Dual Attention Networks to learn the momentum spillover signals based upon the constructed MKG for stock prediction. The empirical experiments on our constructed datasets against nine SOTA baselines demonstrate that the proposed DanSmp is capable of improving stock prediction with the constructed MKG.
Abstract（参考訳）: 株式移動予測(SMP)は、上場企業の株価動向を予測することを目的としており、これは金融市場の不安定な性質のために難しい課題である。近年の金融研究では、モーメントの流出効果が株価変動に重要な役割を果たすことが示されている。しかし、従来の研究は通常、関連企業間の単純な接続情報のみを学習するが、実際の金融市場における上場企業の複雑な関係をモデル化することは必然的に失敗する。この問題に対処するため,我々はまず,上場企業とその関連役員を含む2種類のエンティティと,明示的関係と暗黙的関係を含むハイブリッド関係を含む,より包括的な市場ナレッジグラフ(mkg)を構築する。その後、構築したMKGに基づいて運動量流出信号を学習し、株価予測を行う新しいデュアルアテンションネットワークであるDanSmpを提案する。 sotaベースライン9に対して構築したデータセットを実験した結果,提案手法が構築したmkgを用いて在庫予測を改善できることが確認された。

関連論文リスト

MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction [22.430266982219496]
マルチリレーショナルな動的グラフニューラルネットワーク(MDGNN)フレームワークを提案する。提案するMDGNNフレームワークは,SOTA(state-of-the-art-the-art)ストック投資手法と比較して,公開データセットにおける最高のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-01-19T02:51:29Z)
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)
Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements [11.97251638872227]
本稿では、取引データとそれに対応する社会的感情測定の両方を用いて、個別のシーケンス・ツー・シーケンス・チャネルを通じて、金融市場の動きを予測するための新しい深層学習手法であるDouble-CLVSAを提案する。その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることが明らかとなった。
論文参考訳（メタデータ） (2022-01-27T20:32:46Z)
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)
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)
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)
Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文参考訳（メタデータ） (2020-02-11T19:18:18Z)
Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。