論文の概要: DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction

• arxiv url: http://arxiv.org/abs/2401.01846v1
• Date: Wed, 3 Jan 2024 17:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 13:37:09.975563
• Title: DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction
• Title（参考訳）: dgdnn:ストック移動予測のための分離グラフ拡散ニューラルネットワーク
• Authors: Zinuo You, Zijian Shi, Hongbo Bo, John Cartlidge, Li Zhang, Yan Ge
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.7861010791349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting future stock trends remains challenging for academia and industry due to stochastic inter-stock dynamics and hierarchical intra-stock dynamics influencing stock prices. In recent years, graph neural networks have achieved remarkable performance in this problem by formulating multiple stocks as graph-structured data. However, most of these approaches rely on artificially defined factors to construct static stock graphs, which fail to capture the intrinsic interdependencies between stocks that rapidly evolve. In addition, these methods often ignore the hierarchical features of the stocks and lose distinctive information within. In this work, we propose a novel graph learning approach implemented without expert knowledge to address these issues. First, our approach automatically constructs dynamic stock graphs by entropy-driven edge generation from a signal processing perspective. Then, we further learn task-optimal dependencies between stocks via a generalized graph diffusion process on constructed stock graphs. Last, a decoupled representation learning scheme is adopted to capture distinctive hierarchical intra-stock features. Experimental results demonstrate substantial improvements over state-of-the-art baselines on real-world datasets. Moreover, the ablation study and sensitivity study further illustrate the effectiveness of the proposed method in modeling the time-evolving inter-stock and intra-stock dynamics.
• Abstract（参考訳）: 将来の株価動向の予測は、確率的ストック間ダイナミクスと階層的ストック内ダイナミクスが株価に影響を及ぼすため、学術や産業にとって依然として困難である。 近年、グラフニューラルネットワークは、複数のストックをグラフ構造化データとして定式化することで、この問題において顕著な性能を達成している。 しかし、これらのアプローチのほとんどは静的なストックグラフを構築するために人工的に定義された因子に依存しており、これは急速に進化するストック間の固有の相互依存性を捉えることができない。 さらに、これらの手法は株式の階層的特徴を無視し、内部で特有の情報を失うことが多い。 本研究では,これらの課題に対処するために,知識のな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。 次に,構築したストックグラフ上での一般化グラフ拡散プロセスを通じて,ストック間のタスク最適依存性をさらに学習する。 最後に,分離表現学習方式を採用し,特徴的階層的在庫内特徴を捉える。 実験により、実世界のデータセットにおける最先端のベースラインを大幅に改善した。 さらに, アブレーション研究と感度研究により, 時間発展するストック間およびイントラストックダイナミクスのモデル化における提案手法の有効性がさらに示された。

関連論文リスト

• Evaluating Financial Relational Graphs: Interpretation Before Prediction [4.421486904657393]
  本稿では,S&P500指数に基づくSPNewsデータセットを導入し,動的関係グラフの構築を容易にする。 歴史的金融現象を説明するために関係グラフを用いて,グラフニューラルネットワークを構築する前にその妥当性を評価する。 評価手法は, 様々な財務関係グラフを効果的に区別し, より解釈可能な結果が得られる。
  論文  参考訳（メタデータ） (2024-09-28T22:43:00Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• 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)
• Signed Graph Neural Ordinary Differential Equation for Modeling Continuous-time Dynamics [13.912268915939656]
  グラフニューラルネットワークを通常の微分方程式と統合する一般的なアプローチは、有望な性能を示している。 符号付きグラフニューラル常微分方程式は,符号付き情報の誤キャプチャの限界に十分対処する。 提案したソリューションは、柔軟性と効率性の両方を誇っている。
  論文  参考訳（メタデータ） (2023-12-18T13:45:33Z)
• Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
  本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。 離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-20T04:12:50Z)
• 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)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。