通过时空超图注意力网络进行股票选择──学习排序的方法

今天分享的论文来自 AAAI
2021，名为 Stock Selection via Spatiotemporal Hypergraph Attention Network: A Learning to Rank Approach。

0. Abstract

当前深度学习在股票预测中面临的问题：

1. 不会直接优化投资盈利的目标
2. 股票之间是相互独立的，忽略了相关股票之间丰富的价格走势信息

基于这两个缺陷，作者将股票预测问题构建为一个排序学习问题，提出 STHAN-SR
，一个神经网络的超图结构来进行股票的选择。工作的关键创新在于通过超图对股票中复杂的关系进行建模，和通过同时对股票之间的相互依赖和他们股价在时序上的变化建模，得到的一个时序的
Hawkes 超图注意力网络，基于股票盈利对股票进行排序。

1. Introduction

• 现存的问题：
  • 问题1：并不会直接对预测目标进行优化
    • 要么是对股票进行分桶，构建分类任务：涨、跌、或没有明显变化
    • 要么是预测股票未来价格，而非使用最大盈利选择股票
    • 这些指标更好，但最终的盈利指标不一定会更好，如下图所示
    • 
  • 问题2：大多数工作都将股票走势看作是独立的，或者是使用一个过度简单的市场模型，通过使用 pairwise
    的独立股票的信息来构建的图，但是这往往与真实的市场函数相反。
• 假设股票的关系是一个集合。比如都属于医疗行业，都被伯克希尔控股，比如在新冠下，航空股大跌，医疗行业大涨
• 超图（hypergraph）是图的泛化形式，可以通过超边（hyperedge）来同时代表这样的多个股票之间的信息
• 工作总结
  • 提出一种新的时空超图注意力网络，可以对不同类型的股票关系建模，来进行股票的排序
  • 通过超图注意力机制，将时间的 Hawkes 注意力和空间的超图卷积结合起来，来捕捉相关股票的走势关系
  • 通过三个现实世界中 NYSE，NASDAQ，TSE 市场中的超过2852支股票，超过1174个交易日上的实验，展示了 STHAN-SR
    对于量化股票交易的应用能力

2. Related Work

• 金融上的传统方法
  。这个问题会被建模为回归问题或者分类问题，之前的方法会只依赖于数值型的特征；新一点的方法依赖于有效市场假说，开始寻找一些新闻、社交媒体和财报电话等的因子。这些方法的缺陷是它们假设股票的走势彼此之间是独立的，因此限制了学习相关股票之间潜在信息的能力。另一个限制是没有直接对收益率进行优化。
• 当代的方法 。最近的方法使用基于图的方法来表示一对股票之间的关系，例如行业数据和两个股票CEO相同等。
  • Kim et al. 2019 基于注意力机制的图神经网络进行股票走势预测，指出太多 pairwise 的股票关系会增加图的噪声，降低预测表现
  • Feng et al. 2019b 带有时序卷积的增强图卷积神经网络，展示使用股票间的关系优化时序上股票的走势是有用的
  • 这些方法的缺陷在于，只能有 pairwise 的股票关系。高阶的股票关系信息，使用超图可以更好的表示
• 超图表示学习。传统的pairwise表示股票信息的方式，会带来很大的信息损失。

3. Methodology

股价时序特征

特征提取。 历史的股价是未来股价很强的指示。论文中使用了前 T
个交易日的历史价格信息作为输入特征，对每个股票，计算了5个时序特征：1天回报率和5天、10天、20天和30天的移动平均值，分别代表日、周、月的趋势。然后使用了
LSTM 来捕捉时序上的依赖，最终，每个股票在每天都得到一个蕴含时序特征的隐向量。

$$h_{\tau }=\text{LSTM}(q_{\tau },h_{\tau -1}),t$$