Predicción bursátil con grafos de conocimiento de empresas y directivos

Resumen

El documento describe un método de predicción de movimientos bursátiles diseñado para capturar los efectos de contagio del impulso entre empresas cotizadas. Construye un grafo de conocimiento del mercado con dos tipos de entidades —empresas y sus directivos— y combina relaciones explícitas con vínculos implícitos entre ellas.

Una red de atención dual, llamada DanSmp, utiliza el grafo para aprender señales de contagio y predecir movimientos bursátiles. El documento comunica comparaciones empíricas con nueve métodos de referencia y afirma que el enfoque propuesto mejora la predicción en los conjuntos de datos construidos. No aporta detalles de los conjuntos de datos, medidas numéricas de rendimiento ni información sobre costes de negociación o implementación en trading real, por lo que las mejoras predictivas comunicadas no demuestran que el método generaría operaciones rentables.

Ideas clave

• El grafo representa tanto a las empresas cotizadas como a sus directivos asociados.
• El grafo del mercado combina relaciones explícitas e implícitas.
• Una red de atención dual aprende señales de contagio del impulso a partir del grafo.
• El método se evalúa frente a nueve enfoques de referencia con conjuntos de datos construidos.
• Las mejoras de predicción por sí solas no demuestran que una estrategia de trading sea rentable.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.