[论文解读] Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction

Thanh Trung Huynh, Minh Hieu Nguyen+5 more|arXiv (Cornell University)|Nov 11, 2022

Stock Market Forecasting Methods被引用 6

一句话总结

本文提出ESTIMATE，一种深度学习框架，通过小波基超图注意力机制高效建模多阶股票相关性，并通过LSTM架构中的时序生成滤波器捕捉个股动态。在六年的美国市场数据上评估，ESTIMATE在盈利生成和预测稳定性方面均优于最先进方法。

ABSTRACT

Advances in deep neural network (DNN) architectures have enabled new prediction techniques for stock market data. Unlike other multivariate time-series data, stock markets show two unique characteristics: (i) \emph{multi-order dynamics}, as stock prices are affected by strong non-pairwise correlations (e.g., within the same industry); and (ii) \emph{internal dynamics}, as each individual stock shows some particular behaviour. Recent DNN-based methods capture multi-order dynamics using hypergraphs, but rely on the Fourier basis in the convolution, which is both inefficient and ineffective. In addition, they largely ignore internal dynamics by adopting the same model for each stock, which implies a severe information loss. In this paper, we propose a framework for stock movement prediction to overcome the above issues. Specifically, the framework includes temporal generative filters that implement a memory-based mechanism onto an LSTM network in an attempt to learn individual patterns per stock. Moreover, we employ hypergraph attentions to capture the non-pairwise correlations. Here, using the wavelet basis instead of the Fourier basis, enables us to simplify the message passing and focus on the localized convolution. Experiments with US market data over six years show that our framework outperforms state-of-the-art methods in terms of profit and stability. Our source code and data are available at \url{https://github.com/thanhtrunghuynh93/estimate}.

研究动机与目标

• 解决金融市场上由于多阶动态导致的股票间复杂非成对相关性建模挑战。
• 克服现有方法中超图卷积基于傅里叶基函数导致的效率低下与定位性差的问题。
• 通过学习个性化时序模式，捕捉个股行为（内部动态），同时避免模型过度参数化。
• 开发一种可扩展且高效的深度学习框架，用于量化交易，整合多阶动态与内部动态。
• 通过结合局部化超图学习与增强记忆的序列建模，提升真实世界股票走势预测的准确性与盈利能力。

提出的方法

• 在超图卷积中使用小波基函数替代傅里叶基函数，以简化消息传递过程并增强局部特征学习能力。
• 设计基于注意力的超图卷积层，聚焦于相关股票群体之间的局部化、多阶交互。
• 将时序生成滤波器集成到LSTM网络中，实现各股票间共享但个性化的长期时序模式学习。
• 在LSTM中引入基于记忆的机制，自适应学习个股动态，而无需为每只股票单独训练模型。
• 利用外部知识构建市场超图，以表示多只股票之间的相关性，例如同一行业或板块内的相关性。
• 采用以盈利为导向的目标端到端训练框架，以优化真实世界交易表现，而非仅提升预测准确性。

实验结果

研究问题

• RQ1 如何在股票走势预测中高效建模多阶动态——即股票之间的非成对相关性？
• RQ2 在超图卷积中，用小波基函数替代傅里叶基函数对金融时间序列有何影响？
• RQ3 如何在不带来高昂计算成本的前提下，有效捕捉个股动态（内部动态）？
• RQ4 统一但个性化的学习机制是否能同时提升预测准确率与交易盈利能力？
• RQ5 在真实世界数据上，该框架相较于最先进方法在盈利与稳定性方面的表现如何？

主要发现

• 基于小波的超图注意力机制相比基于傅里叶的替代方案，显著降低了计算复杂度，同时在消息传递中保持或提升了定位性。
• 时序生成滤波器使LSTM能够高效学习个性化股票模式，避免了为每只股票单独训练模型，从而减少了过度参数化。
• ESTIMATE在六年的美国股票市场数据上实现了高于最先进方法的累计盈利，证明了其在真实世界交易中的优越性能。
• 该框架在不同市场条件下表现出更强的性能稳定性，表明其对波动性和动态相关性变化具有鲁棒性。
• 模型对概念漂移敏感，表明长期部署中需考虑时变超图结构及外部数据（如新闻、财报电话会议）的整合。
• 实证结果证实，同时建模多阶动态与内部动态，相较于仅考虑其中一种或两者皆不考虑的方法，能带来显著的性能提升。