[論文レビュー] HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information

Wentao Xu, Liu Wei-qing+5 more|arXiv (Cornell University)|Oct 26, 2021

Stock Market Forecasting Methods参考文献 43被引用数 21

ひとこと要約

HISTは、事前に定義された株式概念と隠れた株式概念の両方からの共有情報を動的にモデル化するグラフベースのフレームワークを提案する。二部グラフとリプルゼント構造を用いて、動的かつ概念表現を共同で学習し、隠れた概念を抽出することで、2017年から2020年の投資シミュレーションにおいて120%の累積リターン（CSI 300指数を70%上回る）を達成した。

ABSTRACT

Stock trend forecasting, which forecasts stock prices' future trends, plays an essential role in investment. The stocks in a market can share information so that their stock prices are highly correlated. Several methods were recently proposed to mine the shared information through stock concepts (e.g., technology, Internet Retail) extracted from the Web to improve the forecasting results. However, previous work assumes the connections between stocks and concepts are stationary, and neglects the dynamic relevance between stocks and concepts, limiting the forecasting results. Moreover, existing methods overlook the invaluable shared information carried by hidden concepts, which measure stocks' commonness beyond the manually defined stock concepts. To overcome the shortcomings of previous work, we proposed a novel stock trend forecasting framework that can adequately mine the concept-oriented shared information from predefined concepts and hidden concepts. The proposed framework simultaneously utilize the stock's shared information and individual information to improve the stock trend forecasting performance. Experimental results on the real-world tasks demonstrate the efficiency of our framework on stock trend forecasting. The investment simulation shows that our framework can achieve a higher investment return than the baselines.

研究の動機と目的

• 既存のグラフベースの株式予測モデルにおける静的かつ概念的つながりの制限を解消すること。
• 手動で定義された株式概念に捉えきれない、重要な共有市場情報を含む潜在的隠れ概念を発見すること。
• 予め定義された概念と隠れた概念の表現を統合的にモデル化し、株式トレンド予測における情報伝達を向上させること。
• 個別株式特徴と共有概念情報の統合により、予測性能を向上させること。
• 実世界の株式市場実験と投資シミュレーションを通じて、フレームワークの有効性を検証すること。

提案手法

• 株式と予め定義された概念および隠れた概念の間の関係をモデル化するため、株式-概念二部グラフを構築する。
• 二重リプルゼント構造を導入し、二部グラフから隠れた概念の表現を抽出・精錬する。
• 株式と概念間の動的関連性重みを学習することで、文脈に応じた情報伝達を可能にする。
• GRUベースのモジュールを用いて、株価および出来高の時系列系列から時間的特徴を抽出する。
• ゲート付き融合メカニズムを用いて、個別株式特徴、予め定義された概念特徴、および隠れた概念特徴を統合する。
• グラフニューラルネットワーク層を適用し、株式間で概念指向の共有情報を集約・伝達する。

実験結果

リサーチクエスチョン

• RQ1 静的かつ概念的つながりを越えて、動的に学習された概念表現が株式トレンド予測を改善できるか？
• RQ2 株式データから隠れた概念を抽出することで、事前に定義された概念に依存する場合と比較して予測性能が向上するか？
• RQ3 個別株式特徴と共有概念情報の両者の中で、予測にどの程度の重要性があるか？
• RQ4 事前に定義された概念と隠れた概念を統合することで、実世界のシミュレーションにおいてより優れた投資パフォーマンスが達成できるか？
• RQ5 モデルから抽出された隠れた概念は、どのような種類のものであり、実際の市場イベントやセクターと整合性を持つのか？

主な発見

• HISTは2017年から2020年までのCSI 300指数において120%の累積リターンを達成し、指数を70%上回った。
• 投資シミュレーションの結果、HISTはTransformer、ALSTM+TRA、GATsなど最先端のモデルを上回った。
• アブレーションスタディの結果、事前に定義された概念モジュールまたは隠れた概念モジュールのいずれかを削除すると性能が低下し、両者が不可欠であることが確認された。
• 個別情報モジュールを削除しても性能が低下したため、予測に果たすその重要性が示された。
• 隠れた概念モジュールの可視化により、『高速鉄道』や『ジェット燃料』といった意味のあるクラスタが明確に抽出され、実際の産業グループと整合していた。
• フレームワークの動的かつ概念的重み付け機構は、パンデミック期における電子商取引の台頭といった、市場の関心の変化を効果的に捉えていた。