본문으로 건너뛰기
라이브러리 문서 전체

기업 및 경영진 지식 그래프를 활용한 주가 예측

기사 arXiv papers · 저자: Yu Zhao et al.
원문 읽기

요약

이 문서는 상장 기업 간 모멘텀 파급을 포착하도록 설계된 주가 움직임 예측 방법을 설명합니다. 기업과 경영진이라는 두 유형의 개체로 시장 지식 그래프를 만들고, 명시적 관계와 암묵적 연결을 결합합니다.

DanSmp라 불리는 이중 어텐션 네트워크가 그래프를 사용해 주가 움직임 예측에 필요한 파급 신호를 학습합니다. 문서는 구성한 데이터셋에서 기준 방법 9개와 비교한 실증 결과를 보고하며, 제안한 접근법의 예측 성능이 더 높았다고 설명합니다. 데이터셋 세부 정보, 수치화한 성능 지표, 거래 비용 또는 실거래 배포에 관한 정보는 없습니다. 따라서 보고된 예측력 향상만으로는 수익성 있는 거래가 가능하다고 볼 수 없습니다.

핵심 아이디어

  • 그래프는 상장 기업과 해당 기업의 경영진을 모두 나타냅니다.
  • 시장 그래프는 명시적 관계와 암묵적 관계를 결합합니다.
  • 이중 어텐션 네트워크가 그래프에서 모멘텀 파급 신호를 학습합니다.
  • 구성한 데이터셋에서 기준 접근법 9개와 비교 평가합니다.
  • 예측력이 개선됐다는 사실만으로 트레이딩 전략의 수익성을 알 수는 없습니다.

태그

주식모멘텀머신러닝통계
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.