文章摘自AAAI21，譯者：一元

量化交易和投資決策是復(fù)雜的金融任務(wù)，依賴于準(zhǔn)確的股票選擇。

目前深度學(xué)習(xí)學(xué)習(xí)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(yōu)化利潤方面的投資目標(biāo)；
• 將每只股票視為獨立于其他股票，忽略了相關(guān)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(yù)測重新表述為一個學(xué)習(xí)排序問題，并提出了STHAN-SR，一種用于股票選擇的神經(jīng)超圖結(jié)構(gòu)，從而定制一種新的時空注意超圖網(wǎng)絡(luò)結(jié)構(gòu)，

• 通過聯(lián)合建模股票相互依賴性及其價格的時間演變，根據(jù)利潤對股票進(jìn)行排序。

在三個市場上進(jìn)行為期六年的實驗，我們發(fā)現(xiàn)STHAN-SR顯著優(yōu)于最先進(jìn)的神經(jīng)股票預(yù)測方法。我們通過對STHAN-SR的空間和時間組件進(jìn)行燒蝕和探索性分析來驗證我們的設(shè)計選擇，并證明其實用性。

目前深度學(xué)習(xí)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(jìn)行優(yōu)化；

- 之所以出現(xiàn)這種差距，是因為股票預(yù)測通常是作為一項分類任務(wù)來預(yù)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(wù)來預(yù)測股票價格，而不是選擇預(yù)期利潤最大的股票 。

- 但是高的預(yù)測性能并不總是導(dǎo)致股票的最有利可圖的選擇。此類分類和回歸優(yōu)化的目的是為了提高價格變動的準(zhǔn)確性或最小化預(yù)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(yōu)化預(yù)測性能和優(yōu)化股票選擇以實現(xiàn)利潤最大化之間的差距，并引導(dǎo)我們思考股票選擇的新。

2. 問題2

將股票價格的波動認(rèn)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(guān)系組成的圖，但實際上，這與真實的市場函數(shù)相反。

• 股票是相互關(guān)聯(lián)的，在股票之間復(fù)雜的高階關(guān)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(lián)系，例如具有相同CEO或?qū)儆谙嗤袠I(yè)的股票。
  • 如下圖所示：最近的C2019冠狀病毒疾病爆發(fā)，我們觀察到，屬于旅行和運輸?shù)刃袠I(yè)的公司股價下跌，而與醫(yī)療保健相關(guān)股票的股價上漲相反。

我們將股票預(yù)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(jìn)行優(yōu)化?；陬I(lǐng)域知識，我們將股票之間的高階相互依存關(guān)系建模為使用三種不同類型的股票關(guān)系構(gòu)建的超圖。

STHAN-SR：: Spatio Temporal Hypergraph Attention Network，STHAN-SR在利潤：回報率、風(fēng)險調(diào)整方面均顯著優(yōu)于最新方法。

股票走勢預(yù)測通常表述為回歸和分類問題。傳統(tǒng)金融模型側(cè)重于技術(shù)分析，只依賴數(shù)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(shù)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(shè)股票運動彼此獨立，這妨礙了它們學(xué)習(xí)相關(guān)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(yōu)化利潤最大化，因為它們沒有明確選擇預(yù)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(guān)系展開，使用元數(shù)據(jù)，例如：

• 股票行業(yè)數(shù)據(jù)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(jīng)網(wǎng)絡(luò)用于股票運動預(yù)測。

他們表明，并非所有股票都具有同等的相關(guān)性，而且通常將大量成對股票關(guān)系分解會增加股票圖中的噪聲，從而降低預(yù)測性能。類似地，（Feng等人，2019b）用時間卷積擴充圖卷積網(wǎng)絡(luò)（GCN），并證明用股票間關(guān)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(yù)測方面取得了這些進(jìn)步，但現(xiàn)有模型的一個簡化之處是，它們假設(shè)股票以成對方式相關(guān)。以這種方式對本質(zhì)上更好地表示為超圖的股票數(shù)據(jù)進(jìn)行分解會導(dǎo)致重要的高階關(guān)系信息丟失。

超圖學(xué)習(xí)由于能夠從高階關(guān)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(guān)系分解為一組成對關(guān)系的傳統(tǒng)方法表現(xiàn)不佳，而最近的方法，如深度超網(wǎng)絡(luò)嵌入（Tu等人，2018）僅限于固定長度的超邊，導(dǎo)致泛化性差。

我們將股票預(yù)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(yīng)的收益率就會越高，我們的目標(biāo)是希望在每天對應(yīng)的每個股票的排序預(yù)測的愈加準(zhǔn)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(biāo)（Jeanblanc、Yor和Chesney，2009年），并在金融文獻(xiàn)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(shù)，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(shù)過程，它模擬了一段時間內(nèi)事件到達(dá)的序列。每一個事件都“激發(fā)”了這一過程，因為隨后到達(dá)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(fā)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(gòu)建

5. 超圖卷積

6. 超圖Attention

7. LTR和網(wǎng)絡(luò)優(yōu)化

本篇文章 我們將股票預(yù)測轉(zhuǎn)化為一種學(xué)習(xí)，通過基于領(lǐng)域知識的超圖對問題進(jìn)行排序和建模。我們提出了STHAN-SR，一種用于股票預(yù)測的神經(jīng)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(nèi)的三個全球市場的利潤顯著優(yōu)于最先進(jìn)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(lǐng)域問題的超圖時空學(xué)習(xí)，如流量預(yù)測和基于會話的推薦系統(tǒng)。在未來，我們的目標(biāo)是探索時間演化超圖，以捕捉動態(tài)市場相關(guān)性，并納入在線新聞和社交媒體等其他數(shù)據(jù)源。

參考文獻(xiàn)

AI圈最新DL炒股算法！

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。