論文の概要: GRU-PFG: Extract Inter-Stock Correlation from Stock Factors with Graph Neural Network

• arxiv url: http://arxiv.org/abs/2411.18997v1
• Date: Thu, 28 Nov 2024 08:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:16.271656
• Title: GRU-PFG: Extract Inter-Stock Correlation from Stock Factors with Graph Neural Network
• Title（参考訳）: GRU-PFG:グラフニューラルネットワークを用いたストックファクターからのブロック間相関抽出
• Authors: Yonggai Zhuang, Haoran Chen, Kequan Wang, Teng Fei,
• Abstract要約: 株式や産業の複雑さは 株価予測の課題を提示します GRUとALSTMで表される1つのカテゴリは、予測のためのストックファクタのみに依存しており、有効性は限られている。 他のカテゴリーは、HISTとTRAが代表し、株価だけでなく、業界情報、業界財務報告、世論、その他の予測のためのインプットも含んでいる。 本稿では,2種類のモデルの現状と限界を考慮し,GRU-PFGモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.7998963147546143
• License:
• Abstract: The complexity of stocks and industries presents challenges for stock prediction. Currently, stock prediction models can be divided into two categories. One category, represented by GRU and ALSTM, relies solely on stock factors for prediction, with limited effectiveness. The other category, represented by HIST and TRA, incorporates not only stock factors but also industry information, industry financial reports, public sentiment, and other inputs for prediction. The second category of models can capture correlations between stocks by introducing additional information, but the extra data is difficult to standardize and generalize. Considering the current state and limitations of these two types of models, this paper proposes the GRU-PFG (Project Factors into Graph) model. This model only takes stock factors as input and extracts inter-stock correlations using graph neural networks. It achieves prediction results that not only outperform the others models relies solely on stock factors, but also achieve comparable performance to the second category models. The experimental results show that on the CSI300 dataset, the IC of GRU-PFG is 0.134, outperforming HIST's 0.131 and significantly surpassing GRU and Transformer, achieving results better than the second category models. Moreover as a model that relies solely on stock factors, it has greater potential for generalization.
• Abstract（参考訳）: 株式と産業の複雑さは、株価予測の課題を提示する。 現在、株価予測モデルは2つのカテゴリに分けられる。 GRUとALSTMで表される1つのカテゴリは、予測のためのストックファクタのみに依存しており、有効性は限られている。 他のカテゴリーは、HISTとTRAが代表し、株価だけでなく、業界情報、業界財務報告、世論、その他の予測のためのインプットも含んでいる。 モデルの第2のカテゴリは、追加情報を導入することでストック間の相関を捉えることができるが、余分なデータは標準化と一般化が難しい。 本稿では,2種類のモデルの現状と限界を考慮し,GRU-PFG(Project Factors into Graph)モデルを提案する。 このモデルはストックファクターを入力としてのみ取り出し、グラフニューラルネットワークを用いてストック間相関を抽出する。 これは、他のモデルがストックファクタにのみ依存するだけでなく、第2のカテゴリモデルに匹敵するパフォーマンスを達成するという予測結果を達成する。 CSI300データセットでは、GRU-PFGのICが0.134であり、HISTの0.131を上回っ、GRUとTransformerを大きく上回り、第2のカテゴリモデルよりも優れた結果が得られた。 さらに、ストックファクタのみに依存するモデルとして、一般化の可能性がより大きい。

関連論文リスト

• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract) [56.55728466130238]
  本稿では,変換器の回帰能力をGNNのリンク予測強度と統合することを目的とした新しいMPGrafモデルを提案する。 我々は、MPGrafの性能を厳格に評価するために、大規模なオフラインおよびオンライン実験を行っている。
  論文  参考訳（メタデータ） (2024-09-25T03:33:47Z)
• Collaborative Performance Prediction for Large Language Models [10.839229961854656]
  我々は、新しいフレームワーク、協調的パフォーマンス予測を導入する。 様々なモデルの歴史的性能を活用することで予測精度を大幅に向上させる。 また、過去のパフォーマンスと追加設計要素の両方を含むオンラインプラットフォームからのコラボレーティブデータを収集する。
  論文  参考訳（メタデータ） (2024-07-01T13:56:42Z)
• Probabilistic Demand Forecasting with Graph Neural Networks [0.0]
  本稿では,従来のグラフニューラルネットワーク(GNN)の研究に基づいて,2つのコントリビューションを行う。 まず、GNNエンコーダを最先端のDeepARモデルに統合する。この組み合わせモデルは確率的予測を生成し、不確実性の下での意思決定に不可欠である。 第2に,事前定義されたグラフ構造に依存しない記事類似性を用いてグラフを構築することを提案する。実世界の3つのデータセットの実験から,提案手法が非グラフベンチマークを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-23T21:20:48Z)
• 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)
• Higher-order Graph Attention Network for Stock Selection with Joint Analysis [7.473282533992432]
  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。
  論文  参考訳（メタデータ） (2023-06-27T14:54:39Z)
• GCNET: graph-based prediction of stock price movement using graph convolutional network [8.122270502556372]
  GCNETは、その履歴データに基づいて、あらゆる相互作用する株式の価格変動の予測に適用できる一般的な予測フレームワークである。 S&P500 と NASDAQ の在庫セットに関する実験および評価の結果,GCNET はSOTA の性能を精度およびMCC 測定で著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-02-19T16:13:44Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• 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)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Score-Based Generative Classifiers [9.063815952852783]
  生成モデルは、MNISTのような単純なデータセット上で逆向きに堅牢な分類器として使われてきた。 これまでの結果は、データの可能性と分類精度のトレードオフを示唆している。 スコアに基づく生成モデルは,標準的な識別モデルと比較して,分類精度のギャップを埋めていることを示す。
  論文  参考訳（メタデータ） (2021-10-01T15:05:33Z)

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。