論文の概要: MaGNet: A Mamba Dual-Hypergraph Network for Stock Prediction via Temporal-Causal and Global Relational Learning

• arxiv url: http://arxiv.org/abs/2511.00085v1
• Date: Wed, 29 Oct 2025 20:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.572736
• Title: MaGNet: A Mamba Dual-Hypergraph Network for Stock Prediction via Temporal-Causal and Global Relational Learning
• Title（参考訳）: MaGNet: テンポラルカソーサルとグローバルリレーショナルラーニングによるストック予測のためのマンバデュアルハイパーグラフネットワーク
• Authors: Peilin Tan, Chuanqi Shi, Dian Tu, Liang Xie,
• Abstract要約: この研究は、ストック予測のための新しいMamba dual-hyperGraph NetworkであるMaGNetを紹介する。 MaGNetはMAGEブロック、フィーチャーワイドおよびストックワイド2D時空間アテンションモジュール、デュアルハイパーグラフフレームワークを統合している。 6つの主要株価指数の実験では、MaGNetは優れた予測性能と例外的な投資リターンの両方において最先端の手法を上回っている。
• 参考スコア（独自算出の注目度）: 3.2859360081297715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock trend prediction is crucial for profitable trading strategies and portfolio management yet remains challenging due to market volatility, complex temporal dynamics and multifaceted inter-stock relationships. Existing methods struggle to effectively capture temporal dependencies and dynamic inter-stock interactions, often neglecting cross-sectional market influences, relying on static correlations, employing uniform treatments of nodes and edges, and conflating diverse relationships. This work introduces MaGNet, a novel Mamba dual-hyperGraph Network for stock prediction, integrating three key innovations: (1) a MAGE block, which leverages bidirectional Mamba with adaptive gating mechanisms for contextual temporal modeling and integrates a sparse Mixture-of-Experts layer to enable dynamic adaptation to diverse market conditions, alongside multi-head attention for capturing global dependencies; (2) Feature-wise and Stock-wise 2D Spatiotemporal Attention modules enable precise fusion of multivariate features and cross-stock dependencies, effectively enhancing informativeness while preserving intrinsic data structures, bridging temporal modeling with relational reasoning; and (3) a dual hypergraph framework consisting of the Temporal-Causal Hypergraph (TCH) that captures fine-grained causal dependencies with temporal constraints, and Global Probabilistic Hypergraph (GPH) that models market-wide patterns through soft hyperedge assignments and Jensen-Shannon Divergence weighting mechanism, jointly disentangling localized temporal influences from instantaneous global structures for multi-scale relational learning. Extensive experiments on six major stock indices demonstrate MaGNet outperforms state-of-the-art methods in both superior predictive performance and exceptional investment returns with robust risk management capabilities. Codes available at: https://github.com/PeilinTime/MaGNet.
• Abstract（参考訳）: 株式市場のトレーディング戦略やポートフォリオ管理にとって、株価トレンドの予測は不可欠だが、市場のボラティリティ、複雑な時間的ダイナミクス、多面的な企業間関係のため、依然として困難な状況にある。 既存の手法では、時間的依存や動的ストック間相互作用を効果的に捉えるのに苦労し、しばしば横断的な市場の影響を無視し、静的な相関に頼り、ノードとエッジの均一な処理を採用し、多様な関係を混同する。 本研究は,ストック予測のための新しいMamba dual-hyperGraph NetworkであるMaGNetを導入し,2方向のMambaと適応的ゲーティング機構を併用したMAGEブロックと,多面的な市場条件への動的適応を可能にするスパースなMixture-of-Expertsレイヤと,グローバルな依存を捉えるための多面的注意を伴い,多面的およびストックワイド2D時空間保持モジュールにより,多変量特徴とクロスストック依存の正確な融合を実現し,内在的なデータ構造を保ちながら,情報伝達性を効果的に活用し,リレーショナルな推論を伴う時間的モデリングを行う。 6つの主要な株価指標に関する大規模な実験は、MaGNetが優れた予測性能と強力なリスク管理機能を備えた例外的な投資リターンの両方において最先端の手法を上回っていることを示している。 コードは、https://github.com/PeilinTime/MaGNet.comで入手できる。

関連論文リスト

• Gated Fusion Enhanced Multi-Scale Hierarchical Graph Convolutional Network for Stock Movement Prediction [12.806794559293289]
  我々はMS-HGFN (Multi-Scale Hierarchical Graph Fusion Network)を紹介する。 このモデルは階層的なGNNモジュールを特徴とし、属性内からパターンを学習し、異なる時間スケールで属性間から特徴を学習することで動的グラフを形成する。 米国と中国の株式市場における実世界のデータセットを用いた実験は、MS-HGFNが従来のモデルと先進モデルの両方を上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-03T13:39:23Z)
• H3M-SSMoEs: Hypergraph-based Multimodal Learning with LLM Reasoning and Style-Structured Mixture of Experts [4.041490867852946]
  H3M-SSMoEsは、LLM推論とStyle-Structured Mixture Expertsを備えた、ハイパーグラフベースの新しいマルチモーダルアーキテクチャである。 3つの主要株式市場での実験では、H3M-SSMoEsは予測精度と投資実績の両方において最先端の手法を上回り、効果的なリスク管理を示す。
  論文  参考訳（メタデータ） (2025-10-29T01:54:52Z)
• Neural Predictive Control to Coordinate Discrete- and Continuous-Time Models for Time-Series Analysis with Control-Theoretical Improvements [46.19047880604178]
  時系列問題を連続ODEに基づく最適制御問題として再放送する。 データからのみダイナミックスを学ぶのではなく、タスクの目的に向かってODE軌道を操縦する制御アクションを最適化する。 軽度の仮定では、この多重水平最適化は無限水平解への指数収束をもたらす。
  論文  参考訳（メタデータ） (2025-08-03T16:41:00Z)
• Stock Movement Prediction with Multimodal Stable Fusion via Gated Cross-Attention Mechanism [11.6870352823637]
  本研究は,MSGCA (Multimodal Stable Fusion with Gated Cross-Attention) という新しいアーキテクチャを導入する。 MSGCAフレームワークは、(1)インジケータシーケンス、動的文書、および関係グラフを処理し、それらの特徴表現を標準化する三次符号化モジュール、(2)プライマリおよび一貫性のある特徴が一対のゲート型クロスアテンションネットワークを介して3つのモダリティのマルチモーダル融合を導くクロスフュージョンモジュール、(3)時間的および次元的縮小により融合した特徴を洗練して正確に実行する予測モジュールからなる。
  論文  参考訳（メタデータ） (2024-06-06T03:13:34Z)
• 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)
• 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)
• Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling [46.75628526959982]
  我々は、変分連続ニューラルネットワークとコプラに基づく依存モデルを統合するための最初の試みを行う。 我々の変分ニューラルネットワークWPVC-VLSTMは時系列の連続的依存度と構造をモデル化する。 これは、線形モデル、ボラティリティモデル、ディープニューラルネットワーク、市場横断ポートフォリオ予測における変動リカレントネットワークなど、ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2023-05-09T08:19:08Z)
• 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)
• Discrete-time Temporal Network Embedding via Implicit Hierarchical Learning in Hyperbolic Space [43.280123606888395]
  双曲幾何学の指数的能力と階層的認識を生かした双曲時間グラフネットワーク(HTGN)を提案する。 HTGNは、時間グラフを双曲空間にマッピングし、双曲グラフニューラルネットワークと双曲ゲートリカレントニューラルネットワークを組み込む。 複数の実世界のデータセットに対する実験結果は、時間グラフ埋め込みにおけるHTGNの優位性を示している。
  論文  参考訳（メタデータ） (2021-07-08T11:24:59Z)

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。