Ensemble Learning with an Adversarial Hypergraph Model and a Convolutional Neural Network to Forecast Stock Price Variations
Notice bibliographique
Résumé
AI has increased scholarly interest in predicting financial stock prices, a tough task.Recurrent neural network (RNN) time series price movement analysis is common but ignores market, investor, and headline factors.Graph neural networks excel at capturing complicated relationships and learning representations, making them useful for a variety of applications.This study investigates the predictive capabilities of graph neural networks about stock prices.Recent studies motivated to utilize hypergraphs for capturing intricate group-level data, such as corporate mobility patterns.Using a graph model to obtain paired linkages sets us apart from previous studies on hypergraphs.Also, demonstrated that using RNNs after applying this fundamental graph model is not advisable, in contrast to previous research.This study demonstrates the potential of future Recurrent Neural Networks (RNNs) to acquire knowledge about the long-term interconnections across companies, leading to enhanced predictive capabilities.The proposed model is an innovative ensemble learning framework that created specifically for the purpose of forecasting stock values.Part, one consists of a Graph Convolution Network (GCN), which encodes price and industry pairs.Part two involves a hypergraph convolution network that conducts adversarial training by modifying inputs before the final prediction layer.This modification facilitates the transmission of group-oriented information through hyperedges.There is empirical evidence that suggests that the proposed model outperforms approaches that are considered to be state-of-the-art on average and demonstrates remarkable performance during times when the market is declining.The proposed framework beats the second-best baseline by increments of 1.14%, 3.63%, and 2.45% for three different five-days, ten days and twenty days trade periods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».