论文导读：Deep Attentive Learning for Stock Movement Prediction From Social Media Text and Company Correl

1. Introduction

股票走势受到多方面影响，没有了解相关信息的投资决策会面临金融风险以及金钱损失，而仔细考虑过的投资可以使收益增大。传统的方法依赖于时间序列，以及对股票的分析，比如利用历史价格。然而只利用价格信号，难以捕捉一些突然发生的事件造成的影响。正如社交媒体，对股票的影响，然后举了个特朗普发推特导致洛克希德马丁公司股票下跌的例子。
提到有效市场假说（Efficient Market Hypothesis，EMH）,股票的价格反映了所有已知信息，

2. Related Works

传统啊的方法依赖于TA（Technical Analysis）,这种方法只关注于数字特征，比如历史价格，或者宏观经济参数GDP。
而新的方法，依赖于EMH， 被认定为一种FA（Fundamental Analysis）

3. Problem Formulation

MAN-SF的主要目标是暂时学习来自推文和历史价格信号的相关信息，并利用股票之间的公司关系来预测走势，本文进行的是一个二元预测，
$p_d^c$是指第d天的收盘价, 所以0表示下跌，1表示涨

4. MAN-SF：Components and Learning

整体结构如下图：

模型首先会编码某一个范围内的市场信息data：
$$x_t=\mathrm{B}(c_t,q_t)$$, 其中$c_t$是基于一个lag时间窗口关于一系列股票$S=[s_1,s_2,..,s_S]$的编码Tweet, 而$q_t$ 是历史股价信息

4.1 Price Encoder

Price Encoder整体结构

这个结构会编码历史股价的走势从而产生价格特征（price feature）$q_t$, 它从过去的 T 天获取每日价格特征，并对价格的时间趋势进行编码。使用GRU获取交易日之间的序列依赖(sequential dependencies)。

$p_i=[p_i^c,p_i^h,p_i^l]$分别对应收盘价，最高价，最低价。
然后会进行normalize：$p_i=p_i^c/p_{i-1}^c$

由于每天的trend对最终trend的预测贡献不同，所以应用到attention

${\bar{h}}_z$是concat之后的GRU hidden states，${\beta }_i$是对每一个交易日的attention weight，（大致的attention计算都一样的，具体可以看我的另一篇文章attention的矩阵表示及理解），

4.2 Social Media Information Encoder(SMI)

第一段说，社交媒体不仅提供实际信息，也刻画了用户对于股票的情感，而这个社交媒体特征$c_t$就靠以下结构Figure3获得：

关于Tweet的Embedding，本文会用到Glove，FastText以及USE（Universal Sentence Encoders），最终根据经验，用到了效果最好的USE。

其中$[m_1,m_2,..,m_K]$是经过了USE之后的Tweet表示，K是第i个交易日平均每支股票的相关Tweet数量。
由于Tweet的影响力也是不同的，所以这里用到News-Level Attention,

这里的attention结构和前面类似，由于$r_i$只表示第i天的表示，他要对过于T天的表示进行一个整合

总结第 i 天股票 s 的推文以及前几天的推文，同时关注第 i 天, 最后对于素有T天，$c_t=\zeta ({\bar{h}}_s)$

4.3 Blending Multimodal Information

获得了两方面的表示之后，就可以联合到一起了
来自不同模式的信号通常携带有关市场中不同事件的补充信息，
正如前面提到的$x_t$就是联合表示

4.4 Graph Attention Network（GAT）

这一层的输入就是一系列的$x_t$也就是stock 联合信息,
$h=[x_1,x_2,...,x_{|S|}]$

然后又是一层attention：

其中$⨁$是concat的意思,
学习到的注意力系数 ${\alpha }_{ij}$ 用于加权和聚合来自具有非线性 σ 的相邻特征向量,
更新后的节点特征


最后的目标函数

5. Experiments

具体数据有哪些请直接看论文，
evaluation metrics会用到MCC

Baselines：

Fundamental Analysis:


这里跟我前几天的另一篇提到的论文导读： Stock Movement Prediction from Tweets and Historical Prices是差不多的（果然天下文章全靠水啊）。

6. Results and Analysis