基于图神经网络的股票推荐研究

作     者：何延伸 

作者单位：中南大学 

学位级别：硕士

导师姓名：高建良

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] 081203[工学-计算机应用技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：图神经网络 股票推荐 超图神经网络 注意力机制 

摘      要：股票市场由于它的高流动性和高回报潜力,受到投资者的关注。与此同时,如何准确地预测股票价格的未来走势成为投资者重点关注的问题。近年来,一些研究人员利用股票关系来提高模型的预测性能,但目前,仍存在一些需要解决的问题:一是如何捕捉股票间隐性的静态关系和动态关系。二是如何捕捉股票间隐性的动态高阶关系。三是大部分研究仅在整理的数据集内验证模型,缺少在实际应用场景下对模型进行持续验证的工作。因此本文从充分挖掘股票关系的角度出发,设计了两个股票推荐模型,并实现了一个股票推荐分析系统。其中,模型先预测股票收益排名,然后根据排名产生股票推荐。本文的主要贡献在于:(1)为了捕捉股票间隐性的静态关系和动态关系,本文提出了基于静动态图神经网络的股票推荐模型。在模型中,设计了图生成模块。该模块基于股票代码嵌入,计算并生成静态关系图,该图在训练过程中基于反向传播算法被不断优化,以此自动捕捉股票间隐性的静态关系。基于股票特征序列的隐藏向量,利用相似性网络计算隐藏向量间的关系强度,以此来构建动态关系图,当隐藏向量发生改变,动态关系图也随之改变。在以上两张图的基础上,设计了图交互模块,该模块根据图上信息生成掩膜,并以掩膜为介质使两张图之间进行信息交互,以此进一步优化两张图的结构。通过实验验证,该模型在股票数据集上,具有优秀的预测性能,相对最优的基线模型在IC和Rank IC评价指标上的表现,在CSI-300数据集上该模型的评价表现分别提升了4.6%和4.8%,在CSI-100数据集上分别提升了5.0%和4.3%。(2)为了捕捉股票间隐性的动态高阶关系,本文提出了基于超图注意力网络的股票推荐模型。以多个股票节点中的一个节点为例,设该节点为某一条高阶关系的中心节点,在超图注意力网络中,通过距离网络计算该节点与所有其他节点之间的距离,若距离小于设置的门限值,则将节点归为这条高阶关系连接的节点。任一个节点均可为某一条高阶关系的中心节点,因此可以通过以上方法挖掘股票间的多条高阶关系。此外,该网络通过注意力机制,让股票节点能够选择性地从高阶关系对应的隐藏向量中聚合信息。通过实验表明,该模型在数据集上取得了最优的预测效果,相较于基于静动态图神经网络的股票推荐模型,该模型在收盘价收益排名的预测上评价指标IC和Rank IC分别提升了4.7%和6.3%。(3)为了在真实的股票市场环境中持续验证模型的效果,本文以超图注意力网络为预测模型,开发了一个股票推荐分析系统。该系统定期完成股票最新数据的爬取、股票推荐、模型性能评估和推荐股票的收益分析。经过验证表明,模型在真实市场环境下的性能与研究中的评估性能相近。图19幅,表8个,参考文献70篇