[論文レビュー] Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction

Chaoran Cui, Xiaojie Li+5 more|arXiv (Cornell University)|Jul 22, 2021

Stock Market Forecasting Methods参考文献 47被引用数 9

ひとこと要約

本稿では、業界およびファンド保有関係のハイパーグラフを用いて集団的株式関係をモデル化するとともに、アテンションベースのRNNで時間的ダイナミクスを捉えることで、株価トレンドをモデル化する時間的・関係的ハイパーグラフ三重アテンションネットワーク（HGTAN）を提案する。バックテストにおいて、既存手法を上回る優れたリスク調整リターンを達成している。

ABSTRACT

Predicting the future price trends of stocks is a challenging yet intriguing problem given its critical role to help investors make profitable decisions. In this paper, we present a collaborative temporal-relational modeling framework for end-to-end stock trend prediction. The temporal dynamics of stocks is firstly captured with an attention-based recurrent neural network. Then, different from existing studies relying on the pairwise correlations between stocks, we argue that stocks are naturally connected as a collective group, and introduce the hypergraph structures to jointly characterize the stock group-wise relationships of industry-belonging and fund-holding. A novel hypergraph tri-attention network (HGTAN) is proposed to augment the hypergraph convolutional networks with a hierarchical organization of intra-hyperedge, inter-hyperedge, and inter-hypergraph attention modules. In this manner, HGTAN adaptively determines the importance of nodes, hyperedges, and hypergraphs during the information propagation among stocks, so that the potential synergies between stock movements can be fully exploited. Extensive experiments on real-world data demonstrate the effectiveness of our approach. Also, the results of investment simulation show that our approach can achieve a more desirable risk-adjusted return. The data and codes of our work have been released at https://github.com/lixiaojieff/HGTAN.

研究の動機と目的

• 単一の株価相関だけでなく、集団的レベルの関係性をモデル化することで、株価トレンド予測の課題に取り組む。
• 業界およびファンド保有関係を捉える関係的ハイパーグラフ構造と時間的ダイナミクスを統合することで、株価動向の表現を向上させる。
• 情報伝達中にノード、ハイパーエッジ、ハイパーグラフの各レベルの重要性を適応的に重み付ける階層的アテンションメカニズムを構築する。
• 協調的株価行動の強化されたモデル化を実現するエンドツーエンドの株価トレンド予測を達成する。
• 最先端の手法と比較して、より優れたリスク調整リターンを示す投資シミュレーションでの優れたパフォーマンスを実証する。

提案手法

• 個々の株価時系列の時間的ダイナミクスをモデル化するために、アテンションベースの再帰的ニューラルネットワーク（RNN）を用いる。
• 共通の業界メンバーシップおよびファンド保有に基づいて、株式間の集団的関係を表すハイパーグラフ構造を構築する。
• 内部ハイパーエッジ、外部ハイパーエッジ、外部ハイパーグラフの3つのアテンションモジュールを備えた、新規のハイパーグラフ三重アテンションネットワーク（HGTAN）を導入する。
• 内部ハイパーエッジアテンションは、1つのハイパーエッジ内でのノードの重要性に注目し、局所的関係を捉える。
• 外部ハイパーエッジアテンションは、複数のハイパーエッジにまたがる情報の集約を行い、グループ間相互作用をモデル化する。
• 外部ハイパーグラフアテンションは、異なるハイパーグラフ構造（例：業界 vs. ファンド保有）間での学習を可能にし、グローバル表現学習を強化する。

実験結果

リサーチクエスチョン

• RQ1 ハイパーグラフを用いて集団的株式関係をモデル化することで、二項相関を越えて株価トレンド予測を改善できるか？
• RQ2 階層的三重アテンションメカニズムは、株式関係モデル化におけるノード、ハイパーエッジ、ハイパーグラフレベルの重要性をどの程度的確に捉えられるか？
• RQ3 時間的ダイナミクスと関係的ハイパーグラフ構造の統合は、より優れた予測性能とリスク調整リターンをもたらすか？
• RQ4 HGTANは、実世界のデータにおいて、既存のアテンションベースおよびグラフベースのモデルと比較して、どの程度優れたパフォーマンスを示すか？

主な発見

• HGTANは、実世界の株価トレンド予測ベンチマークで最先端のパフォーマンスを達成し、既存のアテンションベースおよびグラフベースのモデルを上回っている。
• 投資シミュレーションの結果、HGTANはベースラインモデルと比較してより望ましいリスク調整リターンを生成している。
• アブレーションスタディにより、三重アテンションメカニズムの各構成要素（特に外部ハイパーグラフアテンション）がパフォーマンス向上に顕著に寄与することが確認された。
• ハイパーグラフ構造の使用により、特に業界およびファンド保有の文脈において、株式間のグループレベルのシナジーが効果的に捉えられている。
• 階層的アテンションメカニズムのおかげで、異なる市場環境下でもモデルの頑健性と一般化性能が示された。