論文の概要: Higher-order Graph Attention Network for Stock Selection with Joint Analysis

• arxiv url: http://arxiv.org/abs/2306.15526v1
• Date: Tue, 27 Jun 2023 14:54:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 13:01:34.991958
• Title: Higher-order Graph Attention Network for Stock Selection with Joint Analysis
• Title（参考訳）: 共同分析によるストック選択のための高次グラフ注意ネットワーク
• Authors: Yang Qiao, Yiping Xia, Xiang Li, Zheng Li, Yan Ge
• Abstract要約: グラフニューラルネットワーク(GNN)は、ストック予測のために研究者を惹きつけている。 共同解析を用いた高次グラフアテンションネットワーク(H-GAT)を提案する。 H-GATは高次構造を捉えることができ、基本解析の要素と技術的解析の要素を結合的に組み込むことができる。
• 参考スコア（独自算出の注目度）: 7.473282533992432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock selection is important for investors to construct profitable portfolios. Graph neural networks (GNNs) are increasingly attracting researchers for stock prediction due to their strong ability of relation modelling and generalisation. However, the existing GNN methods only focus on simple pairwise stock relation and do not capture complex higher-order structures modelling relations more than two nodes. In addition, they only consider factors of technical analysis and overlook factors of fundamental analysis that can affect the stock trend significantly. Motivated by them, we propose higher-order graph attention network with joint analysis (H-GAT). H-GAT is able to capture higher-order structures and jointly incorporate factors of fundamental analysis with factors of technical analysis. Specifically, the sequential layer of H-GAT take both types of factors as the input of a long-short term memory model. The relation embedding layer of H-GAT constructs a higher-order graph and learn node embedding with GAT. We then predict the ranks of stock return. Extensive experiments demonstrate the superiority of our H-GAT method on the profitability test and Sharp ratio over both NSDAQ and NYSE datasets
• Abstract（参考訳）: 株式選択は、投資家が利益のあるポートフォリオを構築するために重要である。 グラフニューラルネットワーク(GNN)は、関係モデリングと一般化の強い能力のために、ストック予測のために研究者を惹きつけている。 しかし、既存のGNN法は単純な対のストック関係にのみ焦点を当てており、2ノード以上の関係をモデル化する複雑な高次構造を捉えていない。 さらに、技術分析の要因と、株価トレンドに大きく影響を与える基本分析の見落とし要因のみを考慮する。 そこで本研究では,ジョイント分析(h-gat)を用いた高次グラフアテンションネットワークを提案する。 H-GATは高次構造を捉えることができ、基本解析の要素と技術解析の要素を併用することができる。 具体的には、h-gatのシーケンシャルな層は、長期記憶モデルの入力として両方の種類の要素を取り込む。 H-GATの関係埋め込み層は、高階グラフを構築し、GATでノード埋め込みを学ぶ。 次に株式リターンのランクを予測します。 H-GAT法がNSDAQおよびNYSEデータセットよりも利益性テストおよびシャープ比に優れていることを示す大規模な実験

関連論文リスト

• Higher Order Structures For Graph Explanations [9.164945693135959]
  グラフ説明における高階表現のためのフレームワーク(FORGE)を提案する。 FORGEはグラフ説明器が高次のマルチノードインタラクションをキャプチャすることを可能にする。 平均説明精度をそれぞれ1.9倍と2.25倍に改善する。
  論文  参考訳（メタデータ） (2024-06-05T13:31:30Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• HIRE: Distilling High-order Relational Knowledge From Heterogeneous Graph Neural Networks [4.713436329217004]
  本稿では,事前学習したHGNNからリレーショナル知識を蒸留する多目的プラグアンドプレイモジュールを提案する。 我々の知識を最大限に活用するために、不均一グラフ上のHIRE(HIgh-order Relational)知識蒸留フレームワークを最初に提案する。
  論文  参考訳（メタデータ） (2022-07-25T03:25:15Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• 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)
• Motif Prediction with Graph Neural Networks [6.028591580545113]
  モチーフ予測のためのグラフニューラルネットワーク(GNN)アーキテクチャを開発した。 私たちのアーキテクチャは、モチーフの豊富な構造特性を捉える機能とサンプリングスキームを提供します。 私たちは、平均で10%以上、カーブの下の領域で最大32%という、最高の競争相手を一貫して上回ります。
  論文  参考訳（メタデータ） (2021-05-26T17:56:37Z)
• 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)
• 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)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。