پیشبینی جهت حرکت قیمت سهام با استفاده از شبکه توجه گراف جهت‌دار
محورهای موضوعی : مهندسی برق و کامپیوتر
علیرضا جعفری
1
(دانشگاه تهران)
سامان هراتی زاده
2
(دانشکده علوم و فنون نوین، دانشگاه تهران)
کلید واژه: پیشبینی سهام, شبکه توجه گراف, شبکه عصبی گراف, گراف جهت‌دار, مدل مبتنی بر شبکه, یادگیری عمیق, یادگیری نیمه نظارتشده,
چکیده مقاله :
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکرد‌های یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آورده‌اند. مطالعات پیشین، اهمیت درنظرگرفتن داده‌های سهام مرتبط را در خلال عملکرد پیشبینی اثبات کرده‌اند. با وجود این، مدل‌سازی روابط بین سهام به عنوان یک گراف جهت‌دار و ساخت بازنمایی گره‌های این گراف به کمک مکانیزم توجه تا کنون مورد استفاده قرار نگرفته است. ما در این کار، چهارچوبی به نام DeepNet را معرفی می‌کنیم که یک شبکه جهت‌دار دودویی را از تأثیرات داده‌های سهام در بهبود دقت پیشبینی یکدیگر ایجاد می‌کند و با استفاده از شبکه توجه گراف، اهمیت گره‌های همسایه برای ساخت بازنمایی‌ها را در حین عملیات آموزش، کشف می‌نماید. ما مدل جدیدی از شبکه توجه گراف را برای استفاده در گراف‌های جهت‌دار توسعه دادیم که قادر است اهمیت بردار ویژگی گره‌ها برای ساخت بازنمایی را به صورت یک‌طرفه در نظر بگیرد. نهایتاً ارزیابی‌های ما بر روی داده‌های بازار سهام تهران نشان می‌دهد که مدل معرفی‌شده از دقت و MCC بالاتری نسبت به مدل‌های رقیب برخوردار است.
Prediction of the future behavior of the stock market has always attracted researchers' attention as an important challenge in the field of machine learning. In recent years deep learning methods have been successfully applied in this domain to improve prediction performance. Previous studies have demonstrated that aggregating information from related stocks can improve the performance of prediction. However, the capacity of modeling the stocks relations as directed graphs and the power of sophisticated graph embedding techniques such as Graph Attention Networks have not been exploited so far for prediction in this domain. In this work, we introduce a framework called DeepNet that creates a directed graph representing how useful the data from each stock can be for improving the prediction accuracy of any other stocks. DeepNet then applies Graph Attention Network to extract a useful representation for each node by aggregating information from its neighbors, while the optimal amount of each neighbor's contribution is learned during the training phase. We have developed a novel Graph Attention Network model called DGAT that is able to define unequal contribution values for each pair of adjacent nodes in a directed graph. Our evaluation experiments on the Tehran Stock Exchange data show that the introduced prediction model outperforms the state-of-the-art baseline algorithms in terms of accuracy and MCC measures.
[1] A. Timmermann and C. Granger, "Efficient market hypothesis and forecasting," Int. J. Forecast, vol. 20, no., pp. 15-27, 2004.
[2] J. Yao and C. L. Tan, "A case study on using neural networks to perform technical forecasting of forex," Neurocomputing, vol. 34, no. 1-4, pp. 79-98, Sept. 2000.
[3] A. Jafari and S. Haratizadeh, GCNET: Graph-Based Prediction of Stock Price Movement Using Graph Convolutional Network, arXiv preprint arXiv:2203.11091, 2022.
[4] A. N. Kia, S. Haratizadeh, and S. B. Shouraki, "Network-based direction of movement prediction in financial markets," Engineering Applications of Artificial Intelligence, vol. 88, Article ID: 103340, Feb. 2020.
[5] E. Hoseinzade and S. Haratizadeh, "CNNnpred: CNN-based stock market prediction using a diverse set of variables," Expert Systems with Applications, vol. 129, pp. 273-285, Sept. 2019.
[6] F. Jovanovic and C. Schinckus, Econophysics and Financial Economics: An Emerging Dialogue, Oxford Uni Press, 2017.
[7] K. Park and H. Shin, "Stock price prediction based on a complex interrelation network of economic factors," Engineering Applications of Artificial Intelligence, vol. 26, no. 5-6, pp. 1550-1561, May/Jun. 2013.
[8] ع. ر. جعفری و س. هراتیزاده، "پیشبینی جهت حرکت قیمت سهام با استفاده از یک مدل انتشار برچسب مبتنی بر شبکه و یادگیری نظارتشده،" مجموعه مقالات بیست و ششمین کنفرانس بین¬المللی کامپیوتر، انجمن کامپیوتر ایران، 6 صص.، تهران، ایران، 13-14 اسفند 1399 .
[9] D. Shah, H. Isah, and F. Zulkernine, "Stock market analysis: a review and taxonomy of prediction techniques," International J. of Financial Studies, vol. 7, no. 2, Article ID: 70200026, 22 pp., 2019.
[10] A. N. Kia, S. Haratizadeh, and S. B. Shouraki, "A hybrid supervised semi-supervised graph-based model to predict one-day ahead movement of global stock markets and commodity prices," Expert Systems with Applications, vol. 105, pp. 159-173, Sept. 2018.
[11] F. Scarselli, M. Gori, A. C. Tsoi, M. Hagenbuchner, and G. Monfardini, "The graph neural network model," IEEE Trans. on Neural Networks, vol. 20, no. 1, pp. 61-80, Jan. 2009.
[12] J. Chen, T. Ma, and C. Xiao, FastGCN: Fast Learning with Graph Convolutional Networks via Importance Sampling, arXiv preprint arXiv: 1801.10247, 2018.
[13] R. Kim, C. H. So, M. Jeong, S. Lee, J. Kim, and J. Kang, HATS: A Hierarchical Graph Attention Network for Stock Movement Prediction, arXiv preprint arXiv: 1908.07999, 2019.
[14] H. Gunduz, Y. Yaslan, and Z. Cataltepe, "Intraday prediction of Borsa Istanbul using convolutional neural networks and feature correlations," Knowledge-Based Systems, vol. 137, pp. 138-148, Dec. 2017.
[15] T. N. Kipf and M. Welling, Semi-Supervised Classification with Graph Convolutional Networks, arXiv preprint arXiv: 1609.02907, 2016.
[16] P. Veličković, et al., Graph Attention Networks, arXiv preprint arXiv: 1710.10903, 2017.
[17] X. J. Zhu, Semi-Supervised Learning Literature Survey, Tech. Rep., University of Wisconsin-Madison Department of Computer Sciences, 2005.
[18] H. Shin, T. Hou, K. Park, C. K. Park, and S. Choi, "Prediction of movement direction in crude oil prices based on semi-supervised learning," Decision Support Systems, vol. 55, no. 1, pp. 348-358, Apr. 2013.
[19] R. N. Mantegna, "Hierarchical structure in financial markets," The European Physical Journal B - Condensed Matter and Complex Systems, vol. 11, pp. 193-197, 1999.
[20] D. Matsunaga, T. Suzumura, and T. Takahashi, Exploring Graph Neural Networks for Stock Market Predictions with Rolling Window Analysis, arXiv preprint arXiv: 1909.10660, 2019.
[21] X. Zhong and D. Enke, "Forecasting daily stock market return using dimensionality reduction," Expert Systems with Applications, vol. 67, pp. 126-139, Jan. 2017.
[22] F. Chollet, et al., Keras: The python Deep Learning Library, Astrophysics Source Code Library, 2018.
[23] K. Da, A Method for Stochastic Optimization, arXiv preprint arXiv: 1412.6980, 2014.