Fugu-MT 論文翻訳(概要): Stock Type Prediction Model Based on Hierarchical Graph Neural Network

論文の概要: Stock Type Prediction Model Based on Hierarchical Graph Neural Network

arxiv url: http://arxiv.org/abs/2412.06862v1
Date: Mon, 09 Dec 2024 08:08:03 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:35:43.422506
Title: Stock Type Prediction Model Based on Hierarchical Graph Neural Network
Title（参考訳）: 階層型グラフニューラルネットワークに基づくストックタイプ予測モデル
Authors: Jianhua Yao, Yuxin Dong, Jiajing Wang, Bingxing Wang, Hongye Zheng, Honglin Qin,
Abstract要約: 本稿では,階層型グラフニューラルネットワーク(HGNN)モデルを用いたストックデータ解析手法を提案する。 HGNNモデルは、ストック関係データと階層属性を統合して、ストックタイプを効果的に予測する。
参考スコア（独自算出の注目度）: 5.712029259760979
License:
Abstract: This paper introduces a novel approach to stock data analysis by employing a Hierarchical Graph Neural Network (HGNN) model that captures multi-level information and relational structures in the stock market. The HGNN model integrates stock relationship data and hierarchical attributes to predict stock types effectively. The paper discusses the construction of a stock industry relationship graph and the extraction of temporal information from historical price sequences. It also highlights the design of a graph convolution operation and a temporal attention aggregator to model the macro market state. The integration of these features results in a comprehensive stock prediction model that addresses the challenges of utilizing stock relationship data and modeling hierarchical attributes in the stock market.
Abstract（参考訳）: 本稿では, 階層型グラフニューラルネットワーク(HGNN)モデルを用いて, 株式市場における多レベル情報と関係構造を捉えることによって, ストックデータ分析に新たなアプローチを提案する。 HGNNモデルは、ストック関係データと階層属性を統合して、ストックタイプを効果的に予測する。本稿では,ストック業界関係グラフの構築と歴史的価格系列からの時間情報抽出について論じる。また、マクロ市場状態をモデル化するためのグラフ畳み込み演算と時間的注意集約器の設計も強調する。これらの特徴の統合により、株式市場におけるストック関係データの利用と階層的属性のモデル化という課題に対処する包括的株価予測モデルがもたらされる。

関連論文リスト

Optimizing Supply Chain Networks with the Power of Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は、複雑なリレーショナルデータをモデリングするための変換ツールとして登場した。本稿では,サプライチェーンネットワークにおける需要予測へのGNNの適用について,サプライグラフデータセットを用いて検討する。
論文参考訳（メタデータ） (2025-01-07T02:31:24Z)
TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文参考訳（メタデータ） (2024-11-23T05:31:25Z)
Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Text Representation Enrichment Utilizing Graph based Approaches: Stock Market Technical Analysis Case Study [0.0]
本稿では,教師なしノード表現学習モデルとノード分類/エッジ予測モデルを組み合わせたトランスダクティブハイブリッド手法を提案する。提案手法は,この分野における最初の研究である株式市場の技術分析報告を分類するために開発された。
論文参考訳（メタデータ） (2022-11-29T11:26:08Z)
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)
A Graph Neural Network Approach for Product Relationship Prediction [10.404936340171384]
GraphSAGEと呼ばれる誘導グラフニューラルネットワークアプローチが、ノードとエッジの連続表現を効率的に学習する方法を示す。中国自動車市場のケーススタディを用いて,提案手法が予測性能を2倍にすることを確認した。
論文参考訳（メタデータ） (2021-05-12T18:18:38Z)
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)
Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。