[논문 리뷰] HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information

Wentao Xu, Liu Wei-qing외 5명|arXiv (Cornell University)|2021. 10. 26.

Stock Market Forecasting Methods참고 문헌 43인용 수 21

한 줄 요약

HIST는 사전 정의된 주식 개념과 은닉된 주식 개념으로부터 공유 정보를 동적으로 모델링하는 그래프 기반 프레임워크를 제안한다. 이는 이중 그래프 및 잔차 아키텍처를 통해 동적 개념 표현을 공동 학습하고 은닉된 개념을 탐사함으로써, 2017~2020년 투자 시뮬레이션에서 120%의 누적 수익률(CSI 300 대비 70% 우수)을 달성한다.

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.

연구 동기 및 목표

• 기존 그래프 기반 주식 예측 모델에서 정적 개념 연결의 한계를 해결하기 위해.
• 수동으로 정의된 주식 개념에서 포착되지 않는 은닉된 개념을 발견하여 중요한 공유 시장 정보를 제공할 수 있도록 하기 위해.
• 사전 정의된 개념과 은닉된 개념 표현을 공동으로 모델링하여 주식 추세 예측에서의 정보 전파를 향상시키기 위해.
• 개별 주식 특징과 공유 개념 정보를 통합하여 예측 성능을 향상시키기 위해.
• 실제 주식 시장 실험과 투자 시뮬레이션을 통해 프레임워크의 효과성을 검증하기 위해.

제안 방법

• 주식과 사전 정의된 개념 및 은닉된 개념 간의 관계를 모델링하기 위해 주식-개념 이분 그래프를 구축한다.
• 이분 그래프에서 은닉된 개념의 표현을 추출하고 정제하기 위해 双중 잔차 아키텍처를 도입한다.
• 주식과 개념 간의 동적 관련성 가중치를 학습시켜 맥락 인식 정보 전파를 가능하게 한다.
• 주식 가격 및 거래량 시계열에서 시간적 특징을 추출하기 위해 GRU 기반 모듈을 사용한다.
• 개별 주식 특징, 사전 정의된 개념 특징, 은닉된 개념 특징을 게이트드 퓨전 메커니즘을 통해 통합한다.
• 주식 간 개념 중심의 공유 정보를 집계하고 전파하기 위해 그래프 신경망 레이어를 적용한다.

실험 결과

연구 질문

• RQ1 정적 개념 연결을 초월하여 동적으로 학습된 개념 표현이 주식 추세 예측 성능을 향상시킬 수 있는가?
• RQ2 사전 정의된 개념에만 의존하는 것과 비교해 주식 데이터에서 은닉된 개념을 탐색함으로써 예측 성능이 향상되는가?
• RQ3 개별 주식 특징과 공유 개념 정보 중 어느 것이 예측에 더 중요한가?
• RQ4 사전 정의된 개념과 은닉된 개념을 통합함으로써 실제 시뮬레이션에서 향상된 투자 성과를 달성할 수 있는가?
• RQ5 모델에서 도출된 은닉된 개념은 어떤 유형이며, 실제 시장 이벤트나 산업 부문과 일치하는가?

주요 결과

• HIST는 2017년부터 2020년까지 CSI 300 지수에서 120%의 누적 수익률을 기록하여 지수 대비 70% 뛰어난 성과를 달성했다.
• 투자 시뮬레이션 결과, HIST는 Transformer, ALSTM+TRA, GATs 등 최첨단 모델들을 모두 능가했다.
• 제거 실험 결과, 사전 정의된 개념 모듈이나 은닉된 개념 모듈을 제거할 경우 성능 저하가 발생하여 두 모듈이 모두 필수적임을 입증했다.
• 개별 정보 모듈을 제거한 경우도 성능 저하가 발생하여 이 모듈이 예측에 핵심적인 역할을 한다는 것을 확인했다.
• 은닉된 개념 모듈의 시각화 결과, '고속철도'와 '기체 연료'와 같은 의미 있는 군집이 확인되었으며, 실제 산업 그룹화와 일치했다.
• 프레임워크의 동적 개념 가중치 메커니즘은 패닉 기간 동안 전자상거래의 부상과 같은 변화하는 시장의 관련성도 효과적으로 포착했다.