[论文解读] Incorporating Fine-grained Events in Stock Movement Prediction

Deli Chen, Yanyan Zou+4 more|arXiv (Cornell University)|Oct 11, 2019

Stock Market Forecasting Methods参考文献 28被引用 4

一句话总结

本文提出一种新颖方法，通过将细粒度金融事件结构（利用领域特定的金融事件词典 TFED 提取）融入神经模型，实现股票走势预测。该方法在结构化股票预测模型（SSPM）和联合学习事件抽取与股票预测的多任务框架（MSSPM）下，均优于基线模型，显著提升了对未见新闻类型的泛化能力。

ABSTRACT

Considering event structure information has proven helpful in text-based stock movement prediction. However, existing works mainly adopt the coarse-grained events, which loses the specific semantic information of diverse event types. In this work, we propose to incorporate the fine-grained events in stock movement prediction. Firstly, we propose a professional finance event dictionary built by domain experts and use it to extract fine-grained events automatically from finance news. Then we design a neural model to combine finance news with fine-grained event structure and stock trade data to predict the stock movement. Besides, in order to improve the generalizability of the proposed method, we design an advanced model that uses the extracted fine-grained events as the distant supervised label to train a multi-task framework of event extraction and stock prediction. The experimental results show that our method outperforms all the baselines and has good generalizability.

研究动机与目标

• 通过利用细粒度事件结构而非粗粒度的 $<$S,P,O$>$ 三元组，提升股票走势预测性能。
• 解决现有模型在未被预定义事件词典覆盖的新闻（即“未覆盖新闻”）上表现不佳的局限性。
• 通过利用细粒度事件作为远程监督，联合训练事件抽取与股票预测，提升模型在未见事件或 OOV 事件上的泛化能力。
• 构建一个具备领域专业知识的金融事件词典（TFED），以实现从金融新闻中准确抽取细粒度事件。
• 设计一种神经架构，有效融合文本、事件结构与分钟级股票交易数据，以提升预测性能。

提出的方法

• 由金融专家精心整理，构建一个包含 32 种事件类型的领域特定 TOPIX 金融事件词典（TFED），以支持细粒度事件抽取。
• 利用 TFED 自动从金融新闻中抽取细粒度事件（包括事件类型、触发词及角色如 Time、Value、Change Rate 等）。
• 设计一种结构化股票预测模型（SSPM），通过注意力与门控机制，融合新闻文本、细粒度事件结构与时间序列股票交易数据。
• 提出一种多任务结构化股票预测模型（MSSPM），联合训练事件抽取与股票预测，利用细粒度事件作为远程监督信号。
• 实现门控融合机制与新闻与股票数据之间的协同注意力，以增强表征学习能力。
• 在 MSSPM 中引入 CRF 层，以提升事件抽取中序列标注的一致性。

实验结果

研究问题

• RQ1 与使用粗粒度 $<$S,P,O$>$ 结构相比，引入细粒度事件结构是否能带来更好的股票走势预测性能？
• RQ2 股票预测模型在未被预定义事件词典覆盖的新闻（即未覆盖新闻）上的性能表现如何？
• RQ3 联合学习事件抽取与股票预测是否能提升模型在未见或 OOV 事件上的泛化能力？
• RQ4 注意力机制与融合模块在多大程度上提升了模型的预测性能？
• RQ5 使用细粒度事件作为远程监督是否能提升事件抽取组件的鲁棒性？

主要发现

• SSPM 模型在覆盖新闻上的准确率达到 67.6%，优于所有基线模型，证明了细粒度事件融合的有效性。
• 在未覆盖新闻上，SSPM 的准确率下降至 63.4%，表明其泛化能力受限于固定的 TFED 词典。
• MSSPM 模型在未覆盖新闻上的准确率达到 65.2%，相比 SSPM 提升了 1.8% 相对准确率，证实了其更强的泛化能力。
• MSSPM 的多任务学习方法将事件抽取的微 F1 提升至 84.3%，股票预测的 MCC 达到 0.315，优于流水线方法（79.2% F1，0.297 MCC）。
• 消融实验表明，移除融合函数会使 SSPM 准确率下降 1.5 个百分点，MSSPM 下降 1.1 个百分点，证明其在特征融合中的关键作用。
• 新闻与股票数据之间的协同注意力机制贡献显著，若移除该机制，SSPM 准确率下降 1.3 个百分点，凸显其在跨模态交互中的重要性。