暑期项目实训7.12 Utilizing the structural information of financial time series for stock prediction 论文精读

        这是一篇今年6月分发表的论文，什么资料都没有的。论文实验结果非常棒，同时想挑战一下自己，多学点东西，开始复现 这篇文章。

 

                          

         这是论文提出的模型的架构。从头开始一点一点学。

          经过我的了解，预测的流程如下：

        采用VG算法将时间序列转化为图，计算每个VG图中每个点的集体影响力值CI作为点的权重。VG 图简单来说就是两个点能相互看见就连边，反应的是两点之间没有突然的价格变动。CI值是根据每个点的度和以其为圆心某个圆上的点的度计算的。

        利用struc2vec算法，进行图嵌入，Struc2vec和其他强调距离等的图嵌入算法不同，强调结构相似性，两个距离很远的点有相似的结构，也可以很相似。简单来说，struc2vec生成一个k层的完全图，每两个点之间都连边，边的权值反映两个点的相似性。层与层之间也相连。然后根据相似度在完全图上从每个点开始随机走，生成一条路径，该条路径上的点作为上下文，根据这个路径，后续采用word2vec中的skipgram，用deepwalk 的方法，将每个点映射成为一个张量。

        将X输入一系列DARNNs中的encoder中，再将hidden结果和每个点的CI值输入decoder中，得到最后的decoder的隐藏层状态。

        后面的一步处理，经过我和作者确认，将6个输出的隐藏层做和，行成一个张量r^i，进行三次1*1卷积生成query，key，和value，针对每个股票都算出后，经过一次attention机制调整所有股票的value，经过全连接层，得到涨或跌的结果。

 

        VG图计算比较容易理解，公式如下：

         然后是collective influence (CI)的计算，简单来说，一个点CI值取决于这个点的度，以及以这个点为圆心，半径为L的圆上的点的度。公式如下：

        

        然后是通过struc2vec进行图嵌入，具体过程太过复杂，网络上有很多讲解，不再赘述。

        然后是送入DARNNs，DARNN比较熟了，之前也复现过模型。

        再然后是CAAN网络，CAAN在论文和论文中给的reference中都没怎么讲解。大致就是根据decoder输出r^i，用1*1的卷积求query^i，key^i，value^i，再求相似性，并进行预测。

详细的讲解在另一篇Attention is All You Need中比较详细。

         现在就是里面的很多参数的设置不了解（论文中没给，在以后的日子里想办法得到）