基于时空图卷积神经网络的股票相关性预测研究

作     者：孔壮壮 

作者单位：辽宁大学 

学位级别：硕士

导师姓名：周翰逊

授予年度：2023年

学科分类：02[经济学] 0202[经济学-应用经济学] 020204[经济学-金融学（含∶保险学）] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：时空图卷积神经网络 差分求解器 相关性预测 注意力机制 

摘      要：在股票市场中,不同的公司可能受到相同的宏观经济、行业趋势、政策变化等因素的影响,导致它们的股票价格出现了同涨同跌的联动变化现象,研究表明,股票之间是存在相关关系的,尤其在行业板块内,说明股票具有潜在的相关性特征。股票相关性指的是股票之间的关联程度,它反映了市场中不同股票之间的变化趋势,通常使用Pearson相关系数、Spearman秩相关系数、Kendall Tau相关系数等进行相关性分析。在实际应用中,人们通常利用这些相关性信息进行投资组合优化和风险管理等,还可以为股票价格预测等研究提供一定的参考。随着现代金融市场的复杂化和全球化,各种金融资产和市场之间的相互关联越来越密切,如何准确高效的预测股票相关性已成为金融领域中备受关注的研究方向。(1)本文提出基于差分时空图卷积网络模型(DST-GCN),使用时空图卷积网络对行业板块股票关系建模分析,构建股票局部时空相关性序列,在差分时空网络模型的图卷积层使用差分求解器,对图卷积层的隐藏输出状态特征进行微分处理以获取更精细的时间序列信息。(2)本文提出融合时空信息注意力的差分时空图卷积模型(DASTGCN),使用编码器和解码器结构,构建指数成份股的时间和空间嵌入信息,并与股票历史相关性特征一起输入模型,在差分时空图卷积层中计算股票节点在时空维度的注意力系数,使用门控融合机制将两种注意力融合,使用注意力输出转换层以生成未来表示,输入解码器后生成预测值。在本文的实验分析中,我们选取了中国A股市场中的金融业、制造业、房地产业、交通运输业等9个板块,以及15个代表性的指数作为研究对象。然后,我们分别筛选了具有足够历史数据和较好流动性的72支板块股票和75支指数成份股,并构建相应的股票关系图网络结构,以便进行相关性预测实验。在保证有足够数据的前提下,我们对比了本文模型与四种基线模型的效果,并得出了结论:在短期(1天、3天)、中期(19天)和长期(60天)的股票相关性预测上,本文模型具有较明显的提升效果。总体而言,在面对复杂的股票市场时,本文提出的模型在股票相关性预测上表现出较好的效果,对股票相关性预测不仅可以帮助投资者更好地理解股票市场中的表现和风险,以更有效地制定对冲策略,从而更好地进行分散投资和风险管理,并实现投资利益的最大化,还可以为股票价格预测的研究提供参考,基于股票之间的相关性特征来预测股票价格,可以提高投资决策的准确性。因此本文提出的方法具有很强的研究意义和实用价值。