[논문 리뷰] HATS: A Hierarchical Graph Attention Network for Stock Movement Prediction

Raehyun Kim, Chan Ho So외 4명|arXiv (Cornell University)|2019. 08. 07.

Stock Market Forecasting Methods참고 문헌 24인용 수 111

한 줄 요약

HATS는 여러 관계 유형에서 정보를 선택적으로 집계하여 주가 움직임과 시장 지수 움직임을 예측하는 계층적 그래프 어텐션 네트워크를 도입하며, 베이스라인보다 성능이 우수하다.

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.

연구 동기 및 목표

• 다양한 유형의 기업 관계가 주가 움직임 예측에 미치는 영향을 조사한다.
• 여러 관계 유형으로부터 정보를 선택적으로 집계하는 모델을 개발한다.
• 관계 데이터를 사용하여 개별 주식 움직임 예측과 시장 지수(graph-level) 예측 모두를 가능하게 한다.

제안 방법

• 관계 유형별 요약을 계산하고 이를 노드 표현에 융합하는 계층적 그래프 어텐션 네트워크 HATS를 제안한다.
• 두 계층의 계층적 어텐션 메커니즘을 사용한다: 첫 번째 계층은 각 관계 유형 내 이웃에 대해 어텐션을 수행하고, 두 번째 계층은 관계 유형들에 대해 어텐션하여 통합된 노드 표현을 형성한다.
• 주가 예측에는 LSTM, 지수 예측에는 GRU를 사용한 특징 추출 모듈로 노드 특성을 초기화한다.
• 업데이트된 노드 표현에 소프트맥스 분류기를 적용하여 개별 주식 예측을 위한 태스크 특화 모듈을 통합한다.
• 그래프 풀링(평균 풀링)을 적용하여 지수 예측용 그래프 표현을 얻고, 그래프 인코딩 특징과 결합하여 최종 예측을 수행한다.

실험 결과

연구 질문

• RQ1 주가 움직임 예측에 가장 큰 이점을 주는 관계 데이터의 유형은 무엇인가?
• RQ2 관계 유형 간 정보를 선택적으로 집계하는 모델이 노드 예측과 그래프(지수) 예측 과제에서 베이스라인보다 우수할 수 있는가?
• RQ3 계층적 어텐션 메커니즘이 관계 유형과 이웃 정보의 활용에 어떤 영향을 미치는가?

주요 결과

• 선택적으로 선택된 관계를 사용할 때 HATS는 주가 움직임 예측에서 기존 베이스라인을 능가한다.
• 유용한 관계가 포함되면 성능이 향상되고, 무관한 관계는 정확도를 저하시킬 수 있다.
• 지수 움직임 예측의 경우 그래프 풀링과 관계 특성을 결합하면 베이스라인에 비해 예측 능력이 향상된다.
• 성능은 관계 데이터의 품질과 관련성에 따라 달라진다는 것을 보여준다.
• 실용 지표에서 상당한 개선을 보고한다: 샤프 비율은 베이스라인 대비 19.8% 증가하고 F1-점수는 3% 증가했다.