論文の概要: A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer

• arxiv url: http://arxiv.org/abs/2506.18717v1
• Date: Mon, 23 Jun 2025 14:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.036157
• Title: A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer
• Title（参考訳）: 微分グラフ変換器を用いた動的ストック関係モデリングとS&P500価格予測に関する研究
• Authors: Linyue Hu, Qi Wang,
• Abstract要約: 動的関係モデリングと価格予測のための差分グラフ変換器フレームワークを提案する。 我々のDGTは連続的なグラフ構造の変化を多面的自己認識に統合する。 クローサル時間的注意は、価格シーケンスのグローバル/ローカル依存関係をキャプチャする。
• 参考スコア（独自算出の注目度）: 4.6028394466086535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stock price prediction is vital for investment decisions and risk management, yet remains challenging due to markets' nonlinear dynamics and time-varying inter-stock correlations. Traditional static-correlation models fail to capture evolving stock relationships. To address this, we propose a Differential Graph Transformer (DGT) framework for dynamic relationship modeling and price prediction. Our DGT integrates sequential graph structure changes into multi-head self-attention via a differential graph mechanism, adaptively preserving high-value connections while suppressing noise. Causal temporal attention captures global/local dependencies in price sequences. We further evaluate correlation metrics (Pearson, Mutual Information, Spearman, Kendall's Tau) across global/local/dual scopes as spatial-attention priors. Using 10 years of S&P 500 closing prices (z-score normalized; 64-day sliding windows), DGT with spatial priors outperformed GRU baselines (RMSE: 0.24 vs. 0.87). Kendall's Tau global matrices yielded optimal results (MAE: 0.11). K-means clustering revealed "high-volatility growth" and "defensive blue-chip" stocks, with the latter showing lower errors (RMSE: 0.13) due to stable correlations. Kendall's Tau and Mutual Information excelled in volatile sectors. This study innovatively combines differential graph structures with Transformers, validating dynamic relationship modeling and identifying optimal correlation metrics/scopes. Clustering analysis supports tailored quantitative strategies. Our framework advances financial time-series prediction through dynamic modeling and cross-asset interaction analysis.
• Abstract（参考訳）: 株価予測は投資決定とリスク管理に不可欠であるが、市場の非線形ダイナミクスと時間的変動による在庫間相関のため、依然として困難である。 従来の静的相関モデルは、進化するストック関係を捉えない。 これを解決するために,動的関係モデリングと価格予測のための差分グラフ変換器(DGT)フレームワークを提案する。 我々のDGTは、ノイズを抑えながら高値接続を適応的に保存する微分グラフ機構を介して、連続的なグラフ構造変化をマルチヘッド自己アテンションに統合する。 因果的時間的注意は、価格シーケンスのグローバル/ローカル依存関係をキャプチャする。 さらに,グローバル/ローカル/デュアル領域における相関指標(ピアソン,ミューチュアル情報,スピアマン,ケンドールのタウ)を,空間的意図の先行値として評価した。 10年間のS&P 500閉店価格(zスコア正規化、64日スライディングウインドウ)を用いて、空間先行のDGTはGRUベースライン(RMSE: 0.24 vs. 0.87)を上回った。 ケンドールのタウ大域行列は最適結果を得た(MAE: 0.11)。 K平均のクラスタリングでは「高ボラティリティ」と「防御的ブルーチップ」の株が示され、後者は安定した相関関係のため低いエラー(RMSE: 0.13)を示した。 ケンドールのタウとミューチュアル・インフォメーションは揮発性分野に優れていた。 この研究は、微分グラフ構造と変換器を革新的に組み合わせ、動的関係モデリングを検証し、最適な相関指標/顕微鏡を同定する。 クラスタリング分析は、調整された量的戦略をサポートする。 本フレームワークは,動的モデリングと相互分析による財務時系列予測を推し進める。

関連論文リスト

• Dynamic Graph Representation with Contrastive Learning for Financial Market Prediction: Integrating Temporal Evolution and Static Relations [5.892066196730197]
  時間グラフ学習(TGL)は、株式市場の進化する性質を捉えるために不可欠である。 伝統的な手法は、動的時間的変化とストック間の静的構造の間の相互作用を無視することが多い。 動的グラフ関係と静的グラフ関係を統合するコントラスト学習フレームワークによる動的グラフ表現を提案する。
  論文  参考訳（メタデータ） (2024-12-05T10:15:56Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• 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)
• Futures Quantitative Investment with Heterogeneous Continual Graph Neural Network [13.882054287609021]
  本研究では,グラフニューラルネットワークに基づく連続学習因子予測器を提案することにより,高周波取引(HFT)における先物価格予測の課題を解決することを目的とする。 このモデルは、マルチ価格理論とリアルタイム市場ダイナミクスを統合し、既存の手法の制限を効果的に回避する。 中国の先物市場における49の商品先物に関する実証実験は、提案されたモデルが予測精度で他の最先端モデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-29T08:39:36Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• 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)
• 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)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

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。