Prévision boursière par graphes de connaissances des entreprises et de leurs dirigeants

Résumé

Le document décrit une méthode de prévision des mouvements boursiers conçue pour saisir les effets de propagation du momentum entre sociétés cotées. Elle construit un graphe de connaissances de marché avec deux types d’entités — les sociétés et leurs dirigeants — et combine les relations explicites avec les liens implicites entre elles.

Un réseau à double attention, appelé DanSmp, utilise le graphe pour apprendre des signaux de propagation et prévoir les mouvements boursiers. Le document rapporte des comparaisons empiriques avec neuf méthodes de référence et indique que l’approche proposée améliore les prévisions sur les jeux de données construits. Il ne fournit ni détails sur les données, ni mesures numériques de performance, ni informations sur les coûts de trading et le déploiement en conditions réelles ; les gains de prévision rapportés ne démontrent donc pas que la méthode produirait des transactions rentables.

Idées clés

• Le graphe représente les sociétés cotées et les dirigeants qui leur sont associés.
• Le graphe de marché combine des relations explicites et implicites.
• Un réseau à double attention apprend les signaux de propagation du momentum à partir du graphe.
• La méthode est évaluée par rapport à neuf approches de référence sur des jeux de données construits.
• Une amélioration des prévisions ne suffit pas à démontrer qu’une stratégie de trading serait rentable.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.