Dự đoán biến động cổ phiếu bằng đồ thị tri thức doanh nghiệp và lãnh đạo

Tóm tắt

Tài liệu mô tả phương pháp dự đoán biến động cổ phiếu nhằm nắm bắt hiệu ứng lan tỏa động lượng giữa các công ty niêm yết. Phương pháp xây dựng Đồ thị Tri thức Thị trường với hai loại thực thể là công ty và lãnh đạo, đồng thời kết hợp các mối quan hệ tường minh với những liên kết hàm ẩn giữa họ.

Mạng chú ý kép có tên DanSmp sử dụng đồ thị để học các tín hiệu lan tỏa nhằm dự đoán biến động cổ phiếu. Tài liệu báo cáo các so sánh thực nghiệm với chín phương pháp cơ sở và cho biết cách tiếp cận đề xuất cải thiện khả năng dự đoán trên các bộ dữ liệu được xây dựng. Tài liệu không nêu chi tiết bộ dữ liệu, thước đo hiệu suất bằng số hoặc thông tin về chi phí giao dịch và triển khai thực tế, nên mức tăng khả năng dự đoán được báo cáo không chứng minh phương pháp sẽ tạo ra giao dịch có lãi.

Ý chính

• Đồ thị biểu diễn cả các công ty niêm yết lẫn lãnh đạo liên quan đến họ.
• Đồ thị thị trường kết hợp các mối quan hệ tường minh và hàm ẩn.
• Mạng chú ý kép học tín hiệu lan tỏa động lượng từ đồ thị.
• Phương pháp được đánh giá với chín cách tiếp cận cơ sở trên các bộ dữ liệu được xây dựng.
• Chỉ riêng cải thiện khả năng dự đoán không cho biết một chiến lược giao dịch có sinh lời hay không.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.