[论文解读] Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction

Chaoran Cui, Xiaojie Li+5 more|arXiv (Cornell University)|Jul 22, 2021

Stock Market Forecasting Methods参考文献 47被引用 9

一句话总结

本文提出HGTAN，一种基于时间-关系超图三注意力网络，通过注意力机制RNN捕捉时间动态，并利用行业与基金持股关联的超图建模股票群体关系。该方法在回测中实现了优异的风险调整收益，优于现有方法在真实世界数据上的表现。

ABSTRACT

Predicting the future price trends of stocks is a challenging yet intriguing problem given its critical role to help investors make profitable decisions. In this paper, we present a collaborative temporal-relational modeling framework for end-to-end stock trend prediction. The temporal dynamics of stocks is firstly captured with an attention-based recurrent neural network. Then, different from existing studies relying on the pairwise correlations between stocks, we argue that stocks are naturally connected as a collective group, and introduce the hypergraph structures to jointly characterize the stock group-wise relationships of industry-belonging and fund-holding. A novel hypergraph tri-attention network (HGTAN) is proposed to augment the hypergraph convolutional networks with a hierarchical organization of intra-hyperedge, inter-hyperedge, and inter-hypergraph attention modules. In this manner, HGTAN adaptively determines the importance of nodes, hyperedges, and hypergraphs during the information propagation among stocks, so that the potential synergies between stock movements can be fully exploited. Extensive experiments on real-world data demonstrate the effectiveness of our approach. Also, the results of investment simulation show that our approach can achieve a more desirable risk-adjusted return. The data and codes of our work have been released at https://github.com/lixiaojieff/HGTAN.

研究动机与目标

• 为解决股票趋势预测的挑战，通过建模不仅限于成对股票相关性的集体群体关系。
• 通过整合捕捉行业与基金持股关联的时间动态与关系性超图结构，改进股票走势的表征。
• 开发一种分层注意力机制，以自适应地加权节点、超边与超图，实现信息传播过程中的重要性评估。
• 实现端到端的股票趋势预测，增强对协同股票行为的建模能力。
• 在投资模拟中展示优越性能，相比最先进方法具有更好的风险调整收益。

提出的方法

• 采用基于注意力机制的循环神经网络（RNN）来建模单个股票序列的时间动态。
• 构建超图结构，基于股票的共同行业归属与基金持股关系，表示股票之间的集体关系。
• 提出一种新型的超图三注意力网络（HGTAN），包含三个注意力模块：超边内注意力、超边间注意力与超图间注意力。
• 超边内注意力聚焦于单个超边内节点的重要性，捕捉局部关系。
• 超边间注意力聚合多个超边的信息，以建模跨群体的交互作用。
• 超图间注意力支持在不同超图结构（如行业与基金持股）之间进行学习，增强全局表征学习能力。

实验结果

研究问题

• RQ1 通过超图建模股票群体关系，是否能超越成对相关性，提升股票趋势预测性能？
• RQ2 分层三注意力机制在多大程度上能有效捕捉股票关系建模中节点、超边与超图层级的重要性？
• RQ3 时间动态与关系性超图结构的结合是否能带来更优的预测性能与风险调整收益？
• RQ4 HGTAN在真实世界数据上的股票趋势预测中，相较于现有注意力机制与图神经网络模型，其性能提升程度如何？

主要发现

• HGTAN在真实世界股票趋势预测基准上达到最先进性能，优于现有基于注意力机制与图神经网络的模型。
• 投资模拟结果表明，HGTAN产生的风险调整收益优于基线模型，更具吸引力。
• 消融实验确认，三注意力机制的每个组件——尤其是超图间注意力——对性能提升具有显著贡献。
• 超图结构有效捕捉了股票在行业与基金持股背景下的群体协同效应。
• 由于其分层注意力机制，模型在不同市场条件下表现出强鲁棒性与泛化能力。