論文の概要: Multi-relational Graph Diffusion Neural Network with Parallel Retention
for Stock Trends Classification
- arxiv url: http://arxiv.org/abs/2401.05430v1
- Date: Fri, 5 Jan 2024 17:15:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:23:22.156405
- Title: Multi-relational Graph Diffusion Neural Network with Parallel Retention
for Stock Trends Classification
- Title(参考訳): ストックトレンド分類のための並列保持型マルチリレーショナルグラフ拡散ニューラルネットワーク
- Authors: Zinuo You, Pengju Zhang, Jin Zheng, John Cartlidge
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.383640665055313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stock trend classification remains a fundamental yet challenging task, owing
to the intricate time-evolving dynamics between and within stocks. To tackle
these two challenges, we propose a graph-based representation learning approach
aimed at predicting the future movements of multiple stocks. Initially, we
model the complex time-varying relationships between stocks by generating
dynamic multi-relational stock graphs. This is achieved through a novel edge
generation algorithm that leverages information entropy and signal energy to
quantify the intensity and directionality of inter-stock relations on each
trading day. Then, we further refine these initial graphs through a stochastic
multi-relational diffusion process, adaptively learning task-optimal edges.
Subsequently, we implement a decoupled representation learning scheme with
parallel retention to obtain the final graph representation. This strategy
better captures the unique temporal features within individual stocks while
also capturing the overall structure of the stock graph. Comprehensive
experiments conducted on real-world datasets from two US markets (NASDAQ and
NYSE) and one Chinese market (Shanghai Stock Exchange: SSE) validate the
effectiveness of our method. Our approach consistently outperforms
state-of-the-art baselines in forecasting next trading day stock trends across
three test periods spanning seven years. Datasets and code have been released
(https://github.com/pixelhero98/MGDPR).
- Abstract(参考訳): 株価トレンドの分類は、株価と内部の複雑な時間進化のダイナミクスのため、基本的かつ困難な課題である。
この2つの課題に取り組むために,複数の株式の将来的な動きを予測するためのグラフベース表現学習手法を提案する。
まず、動的多元関係ストックグラフを生成することによって、株式間の複雑な時間的変動関係をモデル化する。
これは、情報エントロピーと信号エネルギーを利用して各取引日における株間関係の強さと方向を定量化する新しいエッジ生成アルゴリズムによって達成される。
そして,これらの初期グラフを,確率的マルチリレーショナル拡散プロセスにより改良し,タスク最適エッジを適応的に学習する。
その後,並列保持を持つ分離表現学習スキームを実装し,最後のグラフ表現を得る。
この戦略は個々の株式の独特な時間的特徴をよりよく捉え、同時に株価グラフ全体の構造も捉える。
2つの米国市場(nasdaqとnyse)と1つの中国市場(shanghai stock exchange: sse)からの実世界のデータセットで包括的な実験を行い、本手法の有効性を検証した。
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。
データセットとコードがリリースされた(https://github.com/pixelhero98/MGDPR)。
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) - 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) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - 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) - 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) - Efficient Integration of Multi-Order Dynamics and Internal Dynamics in
Stock Movement Prediction [20.879245331384794]
近年のディープニューラルネットワーク (DNN) 法はハイパーグラフを用いて多次ダイナミクスを捉えるが、畳み込みのフーリエ基底に依存している。
以上の課題を克服するために,ストックムーブメント予測のための枠組みを提案する。
我々の枠組みは、利益と安定性の観点から最先端の手法より優れています。
論文 参考訳(メタデータ) (2022-11-11T01:58:18Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - 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) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - 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)
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。