論文の概要: Game-Theoretic Modeling of Heterogeneous Investor Interactions for Stock Price Forecasting

• arxiv url: http://arxiv.org/abs/2605.23953v1
• Date: Mon, 11 May 2026 03:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.972309
• Title: Game-Theoretic Modeling of Heterogeneous Investor Interactions for Stock Price Forecasting
• Title（参考訳）: 株価予測のための不均一投資家インタラクションのゲーム理論モデリング
• Authors: Yong Zhang, Xinxiao Wu, Yunde Jia, Che Sun,
• Abstract要約: 株価予測のための不均一な投資家相互作用を捉えるゲーム理論モデリング手法を提案する。 当社の手法は、最先端の株価予測手法を効果的に上回る。
• 参考スコア（独自算出の注目度）: 41.72855212921341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate stock price forecasting has consistently remained a pivotal yet challenging FinTech task that underpins quantitative trading and investment decision making. Recent efforts have been dedicated to modeling various complex relationships among stocks in the stock market toward more reliable stock price forecasting.These methods depend heavily on strong static prior assumptions by modeling either temporal dependencies within individual stocks or spatial dependencies across different stocks based on predefined structures, while the complex market dynamics that drive stock price movements remain unexplored. To alleviate this issue, we propose a novel game-theoretic modeling method that captures heterogeneous investor interactions for stock price forecasting. The core idea is to embed game-theoretic mechanisms into the heterogeneous graph structure to finely model the dynamic strategic interactions among heterogeneous investors with respect to target stocks. Additionally, temporal positional encoding is adopted to reflect the differentiated influences of each game event at different time steps within the time window on future stock price movements. Leveraging heterogeneous graph networks, we proxy the intricate dynamics of the stock market through investor games and enable real-time information propagation and node updates among all nodes. Extensive experiments conducted on two real-world benchmark dataset demonstrate that our method effectively outperforms state-of-the-art stock price forecasting methods.
• Abstract（参考訳）: 正確な株価予測は、量的トレーディングと投資の意思決定を支えるFinTechタスクにおいて、引き続き重要な課題であり続けている。 近年では、株価予測の信頼性向上に向けて、株式間の様々な複雑な関係をモデル化する取り組みが進められており、これらの手法は、個々の株式内における時間的依存関係や、予め定義された構造に基づいて異なる株式間の空間的依存関係をモデル化することで、強い静的な前提に大きく依存している一方、株価の動きを推し進める複雑な市場ダイナミクスは未解明のままである。 この問題を緩和するために、株価予測のための異種投資家の相互作用を捉えるゲーム理論モデリング手法を提案する。 中心となる考え方は、異種グラフ構造にゲーム理論のメカニズムを組み込んで、対象の株式に関する異種投資家間の動的戦略的相互作用を微妙にモデル化することである。 また、将来の株価変動の時間窓内において、各遊技イベントの異なる時間ステップにおける差分の影響を反映する時間的位置符号化を採用する。 ヘテロジニアスグラフネットワークを活用することで、投資家ゲームを通じて株式市場の複雑なダイナミクスをプロキシし、すべてのノード間でリアルタイムの情報伝達とノード更新を可能にする。 2つの実世界のベンチマーク・データセットで行った大規模な実験により、我々の手法は最先端の株価予測手法を効果的に上回っていることが示された。

関連論文リスト

• From Bias to Behavior: Learning Bull-Bear Market Dynamics with Contrastive Modeling [13.039189005779534]
  本稿では、投資家主導の市場ダイナミクスにおけるブル・ベア体制の可能性について考察する。 本稿では,時間的価格列と外部コンテキスト信号を共有潜在空間に埋め込む統合フレームワークであるB4(Bias to Behavior from Bull-Bear Dynamics Model)を提案する。 我々のモデルは市場のトレンドを予測する上で優れたパフォーマンスを実現し、バイアスや投資家の行動、市場のダイナミクスの相互作用に関する解釈可能な洞察を提供する。
  論文  参考訳（メタデータ） (2025-07-12T11:36:26Z)
• CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization [14.241290261347281]
  Pseudo-volatility Optimization (CSPO)によるクロスマーケット・シナジーの枠組みを紹介する。 CSPOは、外部の未来の知識を活用するために効果的なディープ・ニューラル・アーキテクチャを実装している。 CSPOは、ストック固有の予測信頼性をモデル化するために擬似ボラティリティを取り入れている。
  論文  参考訳（メタデータ） (2025-03-26T18:58:15Z)
• Composing Ensembles of Instrument-Model Pairs for Optimizing Profitability in Algorithmic Trading [0.0]
  本稿では,短期的な物価変動を予測することの難しさに対処するため,金融商品の日価方向予測システムについて述べる。 戦略は幅広い金融商品や時間枠で実証され、ベンチマークよりも20%改善された。
  論文  参考訳（メタデータ） (2024-11-06T18:17:26Z)
• MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction [22.430266982219496]
  マルチリレーショナルな動的グラフニューラルネットワーク(MDGNN)フレームワークを提案する。 提案するMDGNNフレームワークは,SOTA(state-of-the-art-the-art)ストック投資手法と比較して,公開データセットにおける最高のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-01-19T02:51:29Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs [30.629948593098273]
  ガウス事前を持つ潜在変数モデルであるStockODEを提案する。 我々は、ストックボラティリティの時間的進化を捉えるために、ニューラル再帰正規微分方程式ネットワーク(NRODE)を設計する。 2つの実世界の株式市場データセットで実施された実験は、StockODEがいくつかのベースラインを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-28T06:14:02Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• 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)
• 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。