本报告提出了多关系动态图神经网络(MDGNN)框架,系统揭示股票投资中的多维关系和时序演变,利用多关系图构建多元实体及其交互,结合Transformer捕捉演化动态,实现对股票涨跌的精准预测。实验表明,MDGNN在沪深指数数据集上显著优于主流时序及图模型,提升预测效果及投资回报率,验证了多关系动态图在复杂金融系统建模中的优势 。
| 数据集 | 股票数量 | 银行数量 | 行业数量 | 边数量 |
|---|---|---|---|---|
| CSI100 | 100 | 196 | 97 | 18,950,706 |
| CSI300 | 300 | 202 | 191 | 62,500,988 |
| 方法 | CSI100-IC | CSI100-IR | CSI100-CR | CSI100-Prec@30 | CSI300-IC | CSI300-IR | CSI300-CR | CSI300-Prec@30 |
|---|---|---|---|---|---|---|---|---|
| MLP | 0.0027 | 0.0282 | 0.1166 | 0.4751 | 0.0039 | 0.0314 | 0.1721 | 0.4958 |
| LSTM | 0.0040 | 0.0335 | 0.1289 | 0.4808 | 0.0049 | 0.0345 | 0.1859 | 0.4958 |
| Transformer | 0.0058 | 0.0422 | 0.1383 | 0.4987 | 0.0063 | 0.0442 | 0.2122 | 0.5065 |
| GAT | 0.0031 | 0.0274 | 0.1534 | 0.4812 | 0.0066 | 0.0454 | 0.2653 | 0.4991 |
| GCN | 0.0038 | 0.0305 | 0.1616 | 0.4927 | 0.0075 | 0.0674 | 0.2816 | 0.5055 |
| RGCN | 0.0104 | 0.0578 | 0.1912 | 0.4985 | 0.0090 | 0.0845 | 0.5159 | 0.5104 |
| HAN | 0.0108 | 0.0525 | 0.2267 | 0.4997 | 0.0086 | 0.0848 | 0.3511 | 0.5112 |
| HGT | 0.0112 | 0.0657 | 0.2384 | 0.5036 | 0.0115 | 0.0874 | 0.4108 | 0.4923 |
| EvolveGCN | 0.0065 | 0.0538 | 0.1815 | 0.4961 | 0.0080 | 0.5012 | 0.4989 | 0.4830 |
| HTGNN | 0.0118 | 0.0724 | 0.2643 | 0.5039 | 0.0192 | 0.1773 | 0.4653 | 0.5126 |
| MDGNN | 0.0123 | 0.0746 | 0.2741 | 0.5081 | 0.0322 | 0.2488 | 0.9828 | 0.5232 |
| 移除组件 | IC | IR | CR | Prec@30 |
|---|---|---|---|---|
| 无边权重 | 0.0268 | 0.2155 | 0.8950 | 0.5152 |
| 无Meta-path | 0.0216 | 0.1723 | 0.7502 | 0.5076 |
| 无层次聚合 | 0.0303 | 0.2392 | 0.9402 | 0.5227 |
| 无时序提取 | 0.0286 | 0.2226 | 0.8745 | 0.5215 |
| 全模型(MDGNN) | 0.0322 | 0.2488 | 0.9828 | 0.5232 |
标题: MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction
作者与机构: Hao Qian等,Ant Group与Alibaba Group,均位于中国杭州。
发布日期: 未明示确切发布日期,但文献引用时间反映为2023年前后。
主题: 本报告探讨的是股市价格动态预测,尤其侧重于如何利用多关系动态图神经网络(MDGNN)整合多元、多时序的复杂股票关系,从而提升股票投资预测的准确性。
核心观点:
传统的股票价格预测方法存在两个主要瓶颈:(1)缺乏对股票间多重关系的综合建模;(2)忽略了股票关系与价格的时间动态演化。为此,作者提出了Multi-relational Dynamic Graph Neural Network (MDGNN),该框架通过每天构造多维关系动态图,结合图神经网络与Transformer模型,动态捕获股票之间错综复杂、多层次的关系及其时间走势,从而获得更全面的股票市场信息表达,并在多个公开数据集上优于现有最先进系统(SOTA)。
关键论点:
股票价格预测难度主要源于价格动态受多方面因素影响,其中关系网络复杂且随时间变化。传统方法多聚焦于序列模型或静态图模型,忽视多层关系结构及其演变。MDGNN则通过建立包含股票、行业、投行多节点类型、多重关系的动态图,结合Transformer编码器,动态提取时间序列信息,解决了前述不足。
推理依据:
股票市场涉及投资者行为、经济数据、新闻报道等多种影响因素,且股票间高度关联。单一关系或静态图无法有效覆盖所有影响因素,掩盖了潜在的交互作用和时间演变。MDGNN框架利用多关系动态图提升表达能力和时序感知能力。
数据点与假设:
股票价格运动非独立事件;多层关系(例如“股-股”、“股-行业”、“股-投行”)均对价格有实质影响;关系网络每日变化,故采用离散时间快照动态图。
复杂概念:
| 数据集 | 股票数 | 投行数 | 行业数 | 边数 |
|---|---|---|---|---|
| CSI100 | 100 | 196 | 97 | 18,950,706 |
| CSI300 | 300 | 202 | 191 | 62,500,988 |
| 组件去除 | IC | IR | CR | Prec@30 |
|---|---|---|---|---|
| 无边权(w/o edge) | 0.0268 | 0.2155 | 0.8950 | 0.5152 |
| 无元路径(w/o meta-path) | 0.0216 | 0.1723 | 0.7502 | 0.5076 |
| 无层次聚合(w/o aggregation) | 0.0303 | 0.2392 | 0.9402 | 0.5227 |
| 无时间层(w/o temporal) | 0.0286 | 0.2226 | 0.8745 | 0.5215 |
| 完整模型(MDGNN) | 0.0322 | 0.2488 | 0.9828 | 0.5232 |
| SS | SB | ST | II | IC | IR | CR | Prec@30 |
|---|---|---|---|---|---|---|---|
| ✔ | - | - | 0.0217 | 0.1727 | 0.7372 | 0.5128 | |
| ✔ | - | 0.0264 | 0.2092 | 0.8220 | 0.5203 | ||
| - | 0.0210 | 0.1632 | 0.7133 | 0.5101 | |||
| - | ✔ | 0.0217 | 0.1802 | 0.7755 | 0.5134 | ||
| - | 0.0283 | 0.2300 | 0.9074 | 0.5208 | |||
| 0.0322 | 0.2488 | 0.9828 | 0.5232 |
本报告为学术/技术研究性质,无直接的企业估值内容,故不涉及传统估值模型(DCF、市盈率等)。但算法性能提升可视为对股票选择策略价值的间接体现。
报告未明文列出风险因素,但结合内容隐含如下风险或限制:
报告中通过验证集和提前停止技术部分缓解过拟合风险,并通过多数据集验证增强模型鲁棒性。
本文首次系统定义并实证股票价格动态预测中的多关系(多方实体及其多连接类型)与时间演变特性,提出了基于多关系动态图结构的MDGNN模型,集成图神经网络层和时间序列Transformer层,实现对股票及其关联实体(行业、投行)复杂关系的动态聚合与演绎。
通过对比多个传统时序模型(MLP, LSTM, Transformer),静态图模型(GCN, GAT, RGCN,HAN,HGT)以及动态图神经模型(EvolveGCN, HTGNN),MDGNN在两个主要中国股市指数数据集上所有指标(信息系数IC,信息比率IR,累计收益CR,Top-k精度)均取得了显著领先,特别是在包含更多多元关系和大规模节点的CSI300数据集上的表现更为突出。
模型设计中特别强调多关系图的构建——包含股票-股票、股票-投行、股票-行业及行业间多层连接,且通过层次聚合与关系注意力机制精准融合多种关系表示,消融实验印证多关系元路径模块的核心价值。案例研究进一步展示此多关系动态传播机制如何有效捕获市场热点趋势,提升预测准确率。超参数实验表明模型在窗口长度和图层深度上具有一定鲁棒性,合理设置将获得最佳性能。
总体而言,MDGNN为股票投资预测引入了创新的动态多关系图建模范式,填补了现有模型多关系与时间演化两方面的不足,为金融领域的深度时序图学习树立了典范与实践基础。未来方向可从模型解释性、非结构化信息融合(新闻、宏观事件)、跨市场适应及轻量化部署等方面深入。
报告引用了大量近年主流图神经网络(GCN, GAT, RGCN, HGT等)及Transformer经典论文,同时结合金融领域多因子模型、机器学习趋势预测研究,确保理论基石稳固,方法与实证切合股市实际,技术路线科学合理。
MDGNN通过搭建并动态更新涵盖股票、行业、投行多元关系的动态图,利用分层多关系图注意力机制及Transformer时序编码模块,能够精准捕捉多层、多源异构信息及其随时间推移的演变特征,实现更加有效的股价变动预测。基于数据驱动的全面验证显示该模型在多项关键性能指标上均优于既有主流基线,为金融预测领域提供了显著的技术进步路径。
2402.06633.pdf