[論文レビュー] HATS: A Hierarchical Graph Attention Network for Stock Movement Prediction

Raehyun Kim, Chan Ho So+4 more|arXiv (Cornell University)|Aug 7, 2019

Stock Market Forecasting Methods参考文献 24被引用数 111

ひとこと要約

HATS は、複数のリレーションタイプから情報を選択的に集約して株式の動向と市場指数の動向を予測する階層的グラフアテンションネットワークを導入し、ベースラインを上回る。

ABSTRACT

Many researchers both in academia and industry have long been interested in the stock market. Numerous approaches were developed to accurately predict future trends in stock prices. Recently, there has been a growing interest in utilizing graph-structured data in computer science research communities. Methods that use relational data for stock market prediction have been recently proposed, but they are still in their infancy. First, the quality of collected information from different types of relations can vary considerably. No existing work has focused on the effect of using different types of relations on stock market prediction or finding an effective way to selectively aggregate information on different relation types. Furthermore, existing works have focused on only individual stock prediction which is similar to the node classification task. To address this, we propose a hierarchical attention network for stock prediction (HATS) which uses relational data for stock market prediction. Our HATS method selectively aggregates information on different relation types and adds the information to the representations of each company. Specifically, node representations are initialized with features extracted from a feature extraction module. HATS is used as a relational modeling module with initialized node representations. Then, node representations with the added information are fed into a task-specific layer. Our method is used for predicting not only individual stock prices but also market index movements, which is similar to the graph classification task. The experimental results show that performance can change depending on the relational data used. HATS which can automatically select information outperformed all the existing methods.

研究の動機と目的

• さまざまなタイプの企業関係が株式の動き予測に与える影響を調査する。
• 複数の関係タイプから情報を選択的に集約するモデルを開発する。
• 関係データを用いて個別株の動き予測と市場指数（グラフレベル）予測の両方を可能にする。

提案手法

• 関係タイプ別の要約を計算し、それらをノード表現へ統合する階層グラフアテンションネットワークである HATS を提案する。
• 2層の階層アテンション機構を用いる: 第1層は各リレーションタイプ内の隣接ノードに対してアテンションを適用し、第2層はリレーションタイプを跨いで集約されたノード表現を形成する。
• ノード特徴を特徴抽出モジュールで初期化する（株式予測には LSTM、指数予測には GRU）。
• 更新されたノード表現に対してソフトマックス分類器を用いたタスク固有モジュールで個別株の予測を行う。
• グラフプーリング（平均プーリング）を用いてグラフ表現を得て、グラフエンコード特徴と組み合わせて最終予測を行う。

実験結果

リサーチクエスチョン

• RQ1 どのタイプのリレーションデータが株式の動き予測に最も有益か？
• RQ2 リレーションタイプを跨いで情報を選択的に集約するモデルは、ノード予測とグラフ（指数）予測の両方のタスクでベースラインを上回ることができるか？
• RQ3 階層的アテンション機構はリレーションタイプと隣接情報の活用にどのように影響するか？

主な発見

• HATS は、選択的に選ばれたリレーションを使用した場合、株式動向予測で既存のベースラインを上回る。
• 有用なリレーションが含まれる場合に性能が向上; 無関係なリレーションは精度を低下させる可能性がある。
• 指数動向予測では、リレーション特徴と共にグラフプーリングを用いるとベースラインより予測能力が向上する。
• 研究は、リレーションデータの品質と関連性によって性能が変化することを示している。
• 実用指標で substantial improvement を報告: Sharpe ratio は 19.8% 増加、F1-score は 3% 増加している。