DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction

要約

将来の株価動向の予測は、株価に影響を与える確率的な銘柄間ダイナミクスや階層的な銘柄内ダイナミクスのため、学界や産業界にとって依然として困難な問題である。近年、グラフ・ニューラル・ネットワークは、複数の銘柄をグラフ構造データとして定式化することで、この問題において顕著な性能を達成している。しかし、これらのアプローチのほとんどは、静的な株価グラフを構築するために人為的に定義された要因に依存しており、急速に進化する銘柄間の本質的な相互依存関係を捉えることができない。さらに、これらの手法では、銘柄の階層的な特徴が無視され、銘柄内の特徴的な情報が失われることが多い。本研究では、これらの問題を解決するために、専門知識を必要としない新しいグラフ学習アプローチを提案する。まず、本アプローチでは、信号処理の観点からエントロピー駆動型のエッジ生成によって動的な株価グラフを自動的に構築する。次に、構築されたストックグラフ上の一般化されたグラフ拡散過程を介して、ストック間のタスク最適依存関係を学習する。最後に、特徴的な階層的銘柄内特徴を捉えるために、分離表現学習スキームを採用する。実験結果は、実世界のデータセットにおいて、最先端のベースラインよりも大幅に改善されたことを示している。さらに、アブレーション研究と感度研究により、時間発展する銘柄間・銘柄内ダイナミクスのモデル化における提案手法の有効性がさらに示される。

要約(オリジナル)

Forecasting future stock trends remains challenging for academia and industry due to stochastic inter-stock dynamics and hierarchical intra-stock dynamics influencing stock prices. In recent years, graph neural networks have achieved remarkable performance in this problem by formulating multiple stocks as graph-structured data. However, most of these approaches rely on artificially defined factors to construct static stock graphs, which fail to capture the intrinsic interdependencies between stocks that rapidly evolve. In addition, these methods often ignore the hierarchical features of the stocks and lose distinctive information within. In this work, we propose a novel graph learning approach implemented without expert knowledge to address these issues. First, our approach automatically constructs dynamic stock graphs by entropy-driven edge generation from a signal processing perspective. Then, we further learn task-optimal dependencies between stocks via a generalized graph diffusion process on constructed stock graphs. Last, a decoupled representation learning scheme is adopted to capture distinctive hierarchical intra-stock features. Experimental results demonstrate substantial improvements over state-of-the-art baselines on real-world datasets. Moreover, the ablation study and sensitivity study further illustrate the effectiveness of the proposed method in modeling the time-evolving inter-stock and intra-stock dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL