Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction
股票市场价格运动预测一直是经济学家和计算机科学家共同关注的一个经典而又具有挑战性的问题。近年来,图神经网络通过对公司关系进行深度学习,显著提高了预测性能。然而,现有的关系图通常通过人工标注或自然语言处理来构建,资源需求大、准确率低。此外,它们不能有效地响应关系图的动态变化。因此,文中提出了一种基于时态异构图神经网络(temporal and heterogeneous graph neural network, THGNN)的方法来学习金融时间序列中价格运动之间的动态关系。首先,根据每个交易日的历史价格生成公司关系图;利用transformer编码器将价格运动信息编码为时间表示。然后,提出一种异构图注意力网络,通过transformer编码器联合优化金融时间序列数据的嵌入,并推断目标移动的概率。最后,在美国和中国的股票市场上进行了广泛的实验。实验结果表明了所提方法的有效性和优越性能。此外,还将THGNN部署在一个真实的定量算法交易系统中,所获得的投资组合累计收益明显优于其他基线。