論文の概要: MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive
and Dynamic Stock Investment Prediction
- arxiv url: http://arxiv.org/abs/2402.06633v1
- Date: Fri, 19 Jan 2024 02:51:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 14:08:53.367531
- Title: MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive
and Dynamic Stock Investment Prediction
- Title(参考訳): MDGNN:総合的・動的投資予測のためのマルチリレーショナル動的グラフニューラルネットワーク
- Authors: Hao Qian, Hongting Zhou, Qian Zhao, Hao Chen, Hongxiang Yao, Jingwei
Wang, Ziqi Liu, Fei Yu, Zhiqiang Zhang, Jun Zhou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 22.430266982219496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The stock market is a crucial component of the financial system, but
predicting the movement of stock prices is challenging due to the dynamic and
intricate relations arising from various aspects such as economic indicators,
financial reports, global news, and investor sentiment. Traditional sequential
methods and graph-based models have been applied in stock movement prediction,
but they have limitations in capturing the multifaceted and temporal influences
in stock price movements. To address these challenges, the Multi-relational
Dynamic Graph Neural Network (MDGNN) framework is proposed, which utilizes a
discrete dynamic graph to comprehensively capture multifaceted relations among
stocks and their evolution over time. The representation generated from the
graph offers a complete perspective on the interrelationships among stocks and
associated entities. Additionally, the power of the Transformer structure is
leveraged to encode the temporal evolution of multiplex relations, providing a
dynamic and effective approach to predicting stock investment. Further, our
proposed MDGNN framework achieves the best performance in public datasets
compared with state-of-the-art (SOTA) stock investment methods.
- Abstract(参考訳): 株式市場は金融システムの重要な要素であるが、経済指標、金融報告、グローバルニュース、投資家の感情といった様々な側面から生じる動的かつ複雑な関係のために株価の動きを予測することは困難である。
従来の逐次法やグラフベースのモデルは株価変動予測に応用されてきたが、株価変動の多面的および時間的影響を捉えるには限界がある。
これらの課題に対処するために、離散動的グラフを用いて株式間の多面関係とその時間的発展を包括的に捉えるマルチリレーショナル動的グラフニューラルネットワーク(mdgnn)フレームワークが提案されている。
グラフから生成される表現は、株式と関連するエンティティ間の相互関係に関する完全な視点を提供する。
さらに、トランスフォーマー構造のパワーを利用して多重関係の時間的進化を符号化し、ストック投資を予測するための動的かつ効果的なアプローチを提供する。
さらに,提案するmdgnnフレームワークは,最先端(sota)ストック投資手法と比較して,公開データセットで最高のパフォーマンスを実現している。
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 [55.65482030032804]
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。
提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
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) - 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 [114.72818205974285]
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) - 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) - Navigating the Dynamics of Financial Embeddings over Time [0.0]
スケーラブルな動的環境におけるグラフ表現学習の応用を提案する。
我々は、現実の洞察を抽出するために、潜航軌道の厳密な定性的分析を行う。
論文 参考訳(メタデータ) (2020-07-01T16:27:31Z) - 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) - 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。