加载中...
本文提出Full-State Graph Convolutional LSTM(FS‑GCLSTM),通过将LSEG价值链(supplier–customer)关系建模为图结构,并将图卷积应用于LSTM的输入、隐藏态与细胞态,从而在时序建模中引入空间依赖以改善次日股票收益预测;在Eurostoxx600与S&P500上实证显示,尽管并非在MSE/MAE上最优,FS‑GCLSTM在基于日频等权多头投资组合的经济性评估上实现了更高的年化收益、Sharpe 与 Sortino 比率,且在密集的欧洲网络中收益提升更明显
| models | MSE | MAE | Correctness (%) | ann. Return (%) | ann. Sharpe Ratio | ann. Sortino Ratio |
|---|---|---|---|---|---|---|
| ARIMA | 4.408×10^-4 | 1.388×10^-2 | 49.67 | 4.12 | 0.260 | 0.329 |
| FCL | 4.081×10^-4 | 1.347×10^-2 | 52.90 | 6.24 | 0.386 | 0.467 |
| LSTM | 4.111×10^-4 | 1.358×10^-2 | 52.76 | 2.88 | 0.151 | 0.164 |
| GConvGRU | 4.322×10^-4 | 1.408×10^-2 | 50.67 | 6.18 | 0.394 | 0.510 |
| FS‑GCLSTM | 4.236×10^-4 | 1.379×10^-2 | 50.59 | 7.41 | 0.462 | 0.592 |
| Constant Weights | — | — | — | 5.03 | 0.310 | 0.392 |
元数据与概览(引言与报告概览)
逐节深度解读
图表与图像深度解读(每幅重要图/表)
数据与预处理(IV.A 与 IV.B)
模型设置与基线(IV.C 与 IV.E)
估值方法
风险因素评估(作者识别与我方补充)
批判性视角与细微差别(审慎视角)
结论性综合
总体评价(客观、面向应用)
若需我继续:
2303.09406.pdf