[论文解读] Multi-View Graph Convolutional Networks for Relationship-Driven Stock Prediction.

Jiexia Ye, Juanjuan Zhao+2 more|arXiv (Cornell University)|Jan 1, 2020

Stock Market Forecasting Methods被引用 2

一句话总结

该论文提出 Multi-GCGRU，一种基于图卷积网络（GCN）的框架，通过结合领域知识定义的图结构与数据驱动的自适应关系，利用 GRU 将 GCN 提取的交叉相关特征与历史股价数据融合，以提升股价走势预测性能。在沪深300和中证500指数上的实验表明，其性能优于基线模型。

ABSTRACT

Stock price movement prediction is commonly accepted as a very challenging task due to the volatile nature of financial markets. Previous works typically predict the stock price mainly based on its own information, neglecting the cross effect among involved stocks. However, it is well known that an individual stock price is correlated with prices of other stocks in complex ways. To take the cross effect into consideration, we propose a deep learning framework, called Multi-GCGRU, which comprises graph convolutional network (GCN) and gated recurrent unit (GRU) to predict stock movement. Specifically, we first encode multiple relationships among stocks into graphs based on financial domain knowledge and utilize GCN to extract the cross effect based on these pre-defined graphs. To further get rid of prior knowledge, we explore an adaptive relationship learned by data automatically. The cross-correlation features produced by GCN are concatenated with historical records and then fed into GRU to model the temporal dependency of stock prices. Experiments on two stock indexes in China market show that our model outperforms other baselines. Note that our model is rather feasible to incorporate more effective stock relationships containing expert knowledge, as well as learn data-driven relationship.

研究动机与目标

• 解决现有股价预测模型仅关注个股历史数据、忽略跨股票关系的局限性。
• 将金融领域知识融入表示股票关系的图结构中，以提升特征提取效果。
• 自动学习自适应的、数据驱动的股票关系，减少对手动特征工程的依赖。
• 通过将 GCN 提取的交叉相关特征与历史数据结合，利用 GRU 建模股价的时间依赖性。
• 构建一个灵活的框架，可整合专家定义的关系与数据学习的关系，以提升预测性能。

提出的方法

• 基于金融领域知识构建多个预定义图，以表示股票之间的关系。
• 应用图卷积网络（GCN）从这些预定义图中提取交叉效应特征。
• 通过端到端可训练机制从数据中学习自适应关系，实现股票相关性的自动发现。
• 将 GCN 提取的交叉相关特征与历史股价序列拼接，形成更丰富的输入表征。
• 将拼接后的特征输入门控循环单元（GRU），以建模股价走势中的长期时间依赖性。
• 端到端训练整个 Multi-GCGRU 框架，以优化股价方向预测目标。

实验结果

研究问题

• RQ1 在股票间预设金融关系中引入是否能提升股价预测的准确性？
• RQ2 与固定领域知识图相比，数据驱动的自适应关系学习机制在多大程度上能提升预测性能？
• RQ3 GCN 提取的交叉相关特征与 GRU 的结合在建模股价时间动态方面有多高效？
• RQ4 所提出的 Multi-GCGRU 框架是否在真实金融数据上对股价方向预测优于现有基线模型？
• RQ5 该框架在整合专家定义关系与学习到的关系方面具有多大灵活性？

主要发现

• 所提出的 Multi-GCGRU 模型在两个中国股票指数（沪深300与中证500）上均优于基线模型，表现更优。
• 结合基于领域知识的股票关系与数据驱动的关系，能显著提升预测准确性。
• GCN 有效捕捉了股票间的交叉相关特征，增强了模型的预测能力。
• GRU 组件在与 GCN 输出结合后，成功建模了股价序列中的时间依赖性。
• 该模型在整合专家知识与数据学习的模式等多样化股票关系方面，展现出可行性与有效性。
• 实证结果证实，考虑跨股票效应可显著提升股价走势预测性能，优于仅依赖个股历史数据的模型。