Aktienprognosen mit Wissensgraphen zu Unternehmen und Führungskräften

Zusammenfassung

Das Dokument beschreibt eine Methode zur Prognose von Aktienkursbewegungen, die Momentum-Übertragung zwischen börsennotierten Unternehmen erfassen soll. Sie erstellt einen Market Knowledge Graph mit zwei Entitätstypen – Unternehmen und deren Führungskräfte – und verbindet explizite Beziehungen mit impliziten Verknüpfungen.

Ein Dual Attention Network namens DanSmp nutzt den Graphen, um Übertragungssignale für die Prognose von Aktienkursbewegungen zu lernen. Das Dokument berichtet empirische Vergleiche mit neun Baseline-Verfahren und gibt an, dass der vorgeschlagene Ansatz die Prognosen auf den erstellten Datensätzen verbessert. Angaben zu den Datensätzen, numerischen Leistungskennzahlen, Handelskosten oder einem Live-Einsatz fehlen. Die berichteten Prognosegewinne belegen daher nicht, dass das Verfahren profitable Trades ermöglichen würde.

Kernaussagen

• Der Graph bildet börsennotierte Unternehmen und ihre jeweiligen Führungskräfte ab.
• Der Marktgraph verbindet explizite und implizite Beziehungen.
• Ein Dual Attention Network lernt Momentum-Übertragungssignale aus dem Graphen.
• Das Verfahren wird auf erstellten Datensätzen mit neun Baseline-Ansätzen verglichen.
• Bessere Prognosen allein zeigen nicht, ob eine Handelsstrategie profitabel wäre.

Schlagwörter

# Stock Movement Prediction Based on Bi-typed Hybrid-relational Market Knowledge Graph via Dual Attention Networks


# Stock Movement Prediction Based on Bi-typed Hybrid-relational Market Knowledge Graph via Dual Attention Networks









Stock Movement Prediction (SMP) aims at predicting listed companies' stock future price trend, which is a challenging task due to the volatile nature of financial markets. Recent financial studies show that the momentum spillover effect plays a significant role in stock fluctuation. However, previous studies typically only learn the simple connection information among related companies, which inevitably fail to model complex relations of listed companies in the real financial market. To address this issue, we first construct a more comprehensive Market Knowledge Graph (MKG) which contains bi-typed entities including listed companies and their associated executives, and hybrid-relations including the explicit relations and implicit relations. Afterward, we propose DanSmp, a novel Dual Attention Networks to learn the momentum spillover signals based upon the constructed MKG for stock prediction. The empirical experiments on our constructed datasets against nine SOTA baselines demonstrate that the proposed DanSmp is capable of improving stock prediction with the constructed MKG.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.