論文の概要: Gated Fusion Enhanced Multi-Scale Hierarchical Graph Convolutional Network for Stock Movement Prediction

• arxiv url: http://arxiv.org/abs/2511.01570v1
• Date: Mon, 03 Nov 2025 13:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.275034
• Title: Gated Fusion Enhanced Multi-Scale Hierarchical Graph Convolutional Network for Stock Movement Prediction
• Title（参考訳）: ストックムーブメント予測のためのマルチスケール階層グラフ畳み込みネットワーク
• Authors: Xiaosha Xue, Peibo Duan, Zhipeng Liu, Qi Chu, Changsheng Zhang, Bin zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.806794559293289
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately predicting stock market movements remains a formidable challenge due to the inherent volatility and complex interdependencies among stocks. Although multi-scale Graph Neural Networks (GNNs) hold potential for modeling these relationships, they frequently neglect two key points: the subtle intra-attribute patterns within each stock affecting inter-stock correlation, and the biased attention to coarse- and fine-grained features during multi-scale sampling. To overcome these challenges, we introduce MS-HGFN (Multi-Scale Hierarchical Graph Fusion Network). The model features a hierarchical GNN module that forms dynamic graphs by learning patterns from intra-attributes and features from inter-attributes over different time scales, thus comprehensively capturing spatio-temporal dependencies. Additionally, a top-down gating approach facilitates the integration of multi-scale spatio-temporal features, preserving critical coarse- and fine-grained features without too much interference. Experiments utilizing real-world datasets from U.S. and Chinese stock markets demonstrate that MS-HGFN outperforms both traditional and advanced models, yielding up to a 1.4% improvement in prediction accuracy and enhanced stability in return simulations. The code is available at https://anonymous.4open.science/r/MS-HGFN.
• Abstract（参考訳）: 株式市場の動きを正確に予測することは、株価のボラティリティと複雑な相互依存のため、依然として深刻な課題である。 マルチスケールグラフニューラルネットワーク(GNN)は、これらの関係をモデル化する可能性を秘めているが、各ストック内の微妙な帰属パターンは、ストック間の相関に影響を及ぼし、マルチスケールサンプリングにおいて粗い特徴やきめ細かな特徴に偏っている、という2つの重要な点をしばしば無視する。 これらの課題を克服するために,MS-HGFN (Multi-Scale Hierarchical Graph Fusion Network) を導入する。 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抽出し、時空間依存性を包括的にキャプチャする。 さらに、トップダウンゲーティングアプローチは、多くの干渉を伴わずに重要できめ細かな特徴を保存し、マルチスケールの時空間的特徴の統合を容易にする。 米国と中国の株式市場から得られた実世界のデータセットを利用した実験では、MS-HGFNは従来のモデルと先進モデルのどちらよりも優れており、予測精度が1.4%向上し、リターンシミュレーションの安定性が向上している。 コードはhttps://anonymous.4open.science/r/MS-HGFNで公開されている。

関連論文リスト

• MaGNet: A Mamba Dual-Hypergraph Network for Stock Prediction via Temporal-Causal and Global Relational Learning [3.2859360081297715]
  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。
  論文  参考訳（メタデータ） (2025-10-29T20:47:16Z)
• Structure Over Signal: A Globalized Approach to Multi-relational GNNs for Stock Prediction [0.0]
  OmniGNNは、マクロ経済的ショックに対する注意に基づくマルチリレーショナル動的GNNである。 OmniGNNの中心は、グローバルインターミディエートとして機能するセクターノードであり、グラフを横断する急激な衝撃伝播を可能にする。 実験により、OmniGNNは、公開データセット上の既存のストック予測モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-12T19:33:16Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• 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)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。