文章摘自AAAI21，譯者：一元

量化交易和投資決策是復雜的金融任務，依賴于準確的股票選擇。

目前深度學習學習的策略使用于股票的問題的方案面臨兩個重大局限。

• 他們不直接優化利潤方面的投資目標；
• 將每只股票視為獨立于其他股票，忽略了相關股票之間的豐富信號股票價格變動。

本文基于該局限性，將股票預測重新表述為一個學習排序問題，并提出了STHAN-SR，一種用于股票選擇的神經超圖結構，從而定制一種新的時空注意超圖網絡結構，

• 通過聯合建模股票相互依賴性及其價格的時間演變，根據利潤對股票進行排序。

在三個市場上進行為期六年的實驗，我們發現STHAN-SR顯著優于最先進的神經股票預測方法。我們通過對STHAN-SR的空間和時間組件進行燒蝕和探索性分析來驗證我們的設計選擇，并證明其實用性。

目前深度學習用于股票投資的策略，存在兩大問題：

1. 問題1

并不是直接對投資收益進行優化；

- 之所以出現這種差距，是因為股票預測通常是作為一項分類任務來預測股票走勢（價格上漲、下跌或無重大變化）或作為一項回歸任務來預測股票價格，而不是選擇預期利潤最大的股票 。

- 但是高的預測性能并不總是導致股票的最有利可圖的選擇。此類分類和回歸優化的目的是為了提高價格變動的準確性或最小化預測股票收益的誤差，而不一定是為了直接獲得利潤。

- 這一差距暗示了優化預測性能和優化股票選擇以實現利潤最大化之間的差距，并引導我們思考股票選擇的新。

2. 問題2

將股票價格的波動認為是相互獨立的，或者利用一個過度簡化的股票市場模型，用一個由單個股票之間的成對關系組成的圖，但實際上，這與真實的市場函數相反。

• 股票是相互關聯的，在股票之間復雜的高階關系中存在著豐富的信號；
• 可用的公司信息可用于識別可能影響其他股票價格的股票之間的聯系，例如具有相同CEO或屬于相同行業的股票。
  • 如下圖所示：最近的C2019冠狀病毒疾病爆發，我們觀察到，屬于旅行和運輸等行業的公司股價下跌，而與醫療保健相關股票的股價上漲相反。

我們將股票預測表述為一個LTR問題，我們的模型直接針對盈利股票的排名進行優化。基于領域知識，我們將股票之間的高階相互依存關系建模為使用三種不同類型的股票關系構建的超圖。

STHAN-SR：: Spatio Temporal Hypergraph Attention Network，STHAN-SR在利潤：回報率、風險調整方面均顯著優于最新方法。

股票走勢預測通常表述為回歸和分類問題。傳統金融模型側重于技術分析，只依賴數字特征。

基于有效市場假說的較新模型被歸類為基本面分析，并考慮了金融新聞、社交媒體等數字因素以外的股票影響因素。盡管這些模型取得了成功，這些方法的一個局限性是，它們假設股票運動彼此獨立，這妨礙了它們學習相關股票研究潛在模式的能力。第二個主要限制是，以前的工作沒有直接優化利潤最大化，因為它們沒有明確選擇預期收入最高的頂級股票.

一項新的圍繞使用基于圖形的方法來表示股票之間的成對關系展開，使用元數據，例如：

• 股票行業數據和公司CEO之間的鏈接（Sawhney et al.2020a）；
• （Kim et al.2019）提出了一種基于注意的圖形神經網絡用于股票運動預測。

他們表明，并非所有股票都具有同等的相關性，而且通常將大量成對股票關系分解會增加股票圖中的噪聲，從而降低預測性能。類似地，（Feng等人，2019b）用時間卷積擴充圖卷積網絡（GCN），并證明用股票間關系擴充時間股價演化方法的實用性。盡管在基于圖形的股票運動預測方面取得了這些進步，但現有模型的一個簡化之處是，它們假設股票以成對方式相關。以這種方式對本質上更好地表示為超圖的股票數據進行分解會導致重要的高階關系信息丟失。

超圖學習由于能夠從高階關系中提取模式（Feng等人，2019c）。最近的工作（Zhang、Zou和Ma 2019）表明，由于信息丟失，將高階關系分解為一組成對關系的傳統方法表現不佳，而最近的方法，如深度超網絡嵌入（Tu等人，2018）僅限于固定長度的超邊，導致泛化性差。

我們將股票預測定義為一個LTR的問題，另：

這樣對于每一天，我們都有一個排序的列表，排序越高的股票在第天對應的收益率就會越高，我們的目標是希望在每天對應的每個股票的排序預測的愈加準確。

1. 股票價格時間演變

歷史股價已被證明是未來股票趨勢的有力指標（Jeanblanc、Yor和Chesney，2009年），并在金融文獻中廣泛使用（Li等人，2020年；Kim等人，2019年）。我們使用前T個交易日的歷史價格信息作為STHAN-SR的輸入特征。

• 我們計算每只股票的五個時間特征、1天收益率、5、10、20和30天移動平均數，它們代表每日、每周和每月的趨勢。

2. 時間Attention

3. Hawkes Attention

Hawkes過程是一個時間點計數過程，它模擬了一段時間內事件到達的序列。每一個事件都“激發”了這一過程，因為隨后到達的機會會增加一段時間。

• 在股票市場中，諸如盈利通知單的發布、危機情況等事件會影響未來價格，并且這種影響會隨著時間的推移而衰減。

4. 空間股票超圖特征抽取

股票超圖構建

5. 超圖卷積

6. 超圖Attention

7. LTR和網絡優化

本篇文章 我們將股票預測轉化為一種學習，通過基于領域知識的超圖對問題進行排序和建模。我們提出了STHAN-SR，一種用于股票預測的神經超圖模型。我們提出了時間霍克斯注意，并用空間超圖卷積和注意來補充它，以捕獲股票市場中的時空依賴性。STHAN-SR在六年內的三個全球市場的利潤顯著優于最先進的方法。通過燒蝕和定性實驗，我們探討了STHAN-SR的有效性，并闡述了其在算法交易中的實際適用性。我們提出的模型可以推廣到跨不同領域問題的超圖時空學習，如流量預測和基于會話的推薦系統。在未來，我們的目標是探索時間演化超圖，以捕捉動態市場相關性，并納入在線新聞和社交媒體等其他數據源。

參考文獻

AI圈最新DL炒股算法！

總結

以上是生活随笔為你收集整理的AI圈最新深度学习量化算法！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。