Higher-order Graph Attention Network for Stock Selection with Joint Analysis

要約

投資家が収益性の高いポートフォリオを構築するには銘柄選択が重要です。
グラフ ニューラル ネットワーク (GNN) は、関係モデリングと一般化の強力な能力により、株価予測の研究者をますます惹きつけています。
ただし、既存の GNN 手法は、単純なペアごとの株式関係にのみ焦点を当てており、2 ノードを超える関係をモデル化する複雑な高次構造を捕捉していません。
さらに、テクニカル分析の要素のみを考慮し、株価の傾向に大きな影響を与える可能性のあるファンダメンタルズ分析の要素を無視します。
それらに動機付けられて、我々は共同分析による高次グラフアテンションネットワーク(H-GAT)を提案します。
H-GAT は高次構造を捕捉し、ファンダメンタルズ分析の要素とテクニカル分析の要素を組み合わせて組み込むことができます。
具体的には、H-GAT のシーケンシャル層は、両方のタイプの要素を長期および短期記憶モデルの入力として受け取ります。
H-GATの関係埋め込み層は高次グラフを構築し、GATでノード埋め込みを学習します。
次に、株価収益率の順位を予測します。
広範な実験により、NSDAQ と NYSE の両方のデータセットに対する収益性テストとシャープ比率における H-GAT メソッドの優位性が実証されました。

要約(オリジナル)

Stock selection is important for investors to construct profitable portfolios. Graph neural networks (GNNs) are increasingly attracting researchers for stock prediction due to their strong ability of relation modelling and generalisation. However, the existing GNN methods only focus on simple pairwise stock relation and do not capture complex higher-order structures modelling relations more than two nodes. In addition, they only consider factors of technical analysis and overlook factors of fundamental analysis that can affect the stock trend significantly. Motivated by them, we propose higher-order graph attention network with joint analysis (H-GAT). H-GAT is able to capture higher-order structures and jointly incorporate factors of fundamental analysis with factors of technical analysis. Specifically, the sequential layer of H-GAT take both types of factors as the input of a long-short term memory model. The relation embedding layer of H-GAT constructs a higher-order graph and learn node embedding with GAT. We then predict the ranks of stock return. Extensive experiments demonstrate the superiority of our H-GAT method on the profitability test and Sharp ratio over both NSDAQ and NYSE datasets

arxiv情報

提供元, 利用サービス

arxiv.jp, Google