[论文解读] 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 21

一句话总结

HIST 提出了一种基于图的框架，通过动态建模预定义和隐藏的股票概念之间的共享信息，以提升股票趋势预测性能。通过联合学习动态概念表征并利用二分图与残差结构挖掘潜在隐藏概念，HIST 在 2017–2020 年的投资模拟中实现了 120% 的累计回报率（较 CSI 300 指数高出 70%）。

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.

研究动机与目标

• 解决现有基于图的股票预测模型中静态概念关联的局限性。
• 发现未被人工定义的股票概念所捕捉的隐藏概念，这些概念可能蕴含关键的共享市场信息。
• 联合建模预定义概念与隐藏概念表征，以提升股票趋势预测中的信息传播效果。
• 将个股特征与共享概念信息相结合，以提升预测性能。
• 通过真实世界股票市场实验与投资模拟验证该框架的有效性。

提出的方法

• 构建股票-概念二分图，用于建模股票与预定义及隐藏概念之间的关系。
• 引入双重残差结构，从二分图中提取并优化隐藏概念的表征。
• 学习股票与概念之间的动态相关性权重，以实现上下文感知的信息传播。
• 使用基于 GRU 的模块，从股票价格与成交量序列中提取时序特征。
• 通过门控融合机制结合个股特征、预定义概念特征与隐藏概念特征。
• 应用图神经网络层，聚合并传播股票间面向概念的共享信息。

实验结果

研究问题

• RQ1 通过动态学习的概念表征是否能超越静态概念关联，提升股票趋势预测性能？
• RQ2 从股票数据中挖掘隐藏概念是否能提升预测性能，相比仅依赖预定义概念？
• RQ3 在预测中，个股特征与共享概念信息相比，哪个更为重要？
• RQ4 在真实世界模拟中，整合预定义与隐藏概念是否能带来更好的投资表现？
• RQ5 模型中涌现出的隐藏概念是什么类型？它们是否与有意义的市场事件或行业分类相一致？

主要发现

• HIST 在 2017 至 2020 年间于 CSI 300 指数上实现了 120% 的累计回报率，较该指数高出 70%。
• 投资模拟结果显示，HIST 超过了包括 Transformer、ALSTM+TRA 和 GATs 在内的最先进模型。
• 消融实验表明，若移除预定义或隐藏概念模块，性能均会下降，证明二者均不可或缺。
• 移除个体信息模块后性能亦下降，表明其在预测中具有关键作用。
• 隐藏概念模块的可视化结果揭示了有意义的聚类，如“高速列车”和“喷气燃料”，与现实中的产业分组一致。
• 该框架的动态概念加权机制有效捕捉了市场相关性的变化，例如疫情期间电子商务的兴起。