用于股票价格预测的鲁棒双路径时空图神经网络

《Pattern Recognition》：Robust dual-path spatio-temporal graph neural networks for stock price prediction

　　• 一种通过双路径聚合进行金融时空建模的新框架。• 一种强大的图构建策略，能够抑制局部异常。• 在中国和美国市场的广泛实验验证了该方法的有效性。

引言
股票价格预测是金融工程中的一个重要问题，一直受到学术界和工业界的持续关注。其目标是从历史交易数据中推断未来市场趋势，以支持投资决策和高效的资金分配。到目前为止，由于股票价格的独特时间波动性和复杂的股票间相关性，准确预测股票价格仍然具有挑战性。已经提出了许多方法来模拟股票波动性和相关性。对于个股而言，现有的方法与传统的时间序列预测高度相关，代表性方法包括ARIMA、GRU和LSTM。这些模型主要依赖于单向的时间信息传播。为了解决这一限制，引入了双向LSTM和基于Transformer的架构来捕捉更全面的时间依赖性。对于股票间的相关性，图神经网络（GNN）被广泛采用，以利用关系信息并建模一只股票的走势如何影响其他股票。

从更广泛的角度来看，这些方法可以纳入一个统一的时空建模框架中。如图1(a)所示，全面的市场建模需要连接任何两个股票在任意两个时间点上的关系。虽然这种依赖性理论上可以通过一个包含股票和时间维度上成对交互的二维网格来表示，但其高计算成本和冗余性使其不切实际。现有的时空建模方法[1]、[2]、[3]通常采用分阶段的方法来进行股票价格预测。它们首先独立地对每只股票的时间动态进行聚合，然后通过关系图来建模空间相关性。尽管结构清晰，但这种聚合的波动性特征未能捕捉到股票之间的实时交互，限制了可用信息的使用。为了解决这个问题，最近的研究[4]、[5]同时建模了特定于股票的波动性模式和时变股票交互。然而，这些方法忽略了建模股票内部特征和股票间特征的顺序，并从之前的嵌入中顺序构建关系图，从而产生了两个限制。首先，建模股票内部特征和股票间特征的顺序导致不同的侧重。如图1(b)和(c)所示，在“时间优先于空间”的范式中，信息首先在每只股票内部沿着时间维度更新，使其能够整合自身的历史。然后信息在股票之间传播，从而能够捕捉到股票间的相关性。这种顺序建模过程确保在空间聚合期间，每只股票都携带完整的时间背景，有利于建模全局趋势和长期依赖性。相反，在“空间优先于时间”的范式中，信息首先在相同的时间步骤在股票之间传播，使每只股票能够结合其他股票的状态。随后的时间更新将这种空间信息整合到其演变中，使其更适合捕捉局部实时动态。依赖任何单一的建模顺序都无法完全捕捉时空动态的复杂性。

其次，金融市场中的信息传播是延迟的，而不是瞬时的。在股票内部层面，价格通常会逐渐调整以适应新信息，这与慢速信息传播和投资者注意力有限的理论一致[6]、[7]。这种信息延迟的整合体现在众所周知的盈利公告后漂移（PEAD）现象中。在股票间层面，信息还通过行业和经济联系[8]、[9]传播，导致股票回报出现领先-滞后效应。顺序图构建隐含地假设信息已经完全被先前聚合的表示所吸收。这种假设可能导致局部异常过早传播，并偏差后续的时间或空间建模。例如，在“空间优先于时间”的范式中，一只股票因黑天鹅事件引起的价格崩盘可能会通过空间交互立即传播，从而扭曲其他股票的时间波动性建模，未能反映真实市场的延迟信息传播特性。

为了解决这些限制，我们提出了RDST（鲁棒的双路径时空图神经网络），一种用于股票价格预测的新框架。RDST通过两条互补路径——即“时间-空间交互”和“空间-时间交互”——在构建的时空关系图中聚合信息。通过同时利用这两条路径并自适应地融合它们的输出，该模型实现了对时空动态的更全面表示。RDST还避免了基于网格的方法所需的繁琐成对相关性建模。时间和空间处理的分离，以及随后的双路径聚合，导致了一种高效且表现力的方法，平衡了计算可行性和建模能力。此外，在RDST中，关系图是直接从股票特征构建的。在这一阶段，由于数据尚未经历信息传播，图不会受到局部异常的影响，从而更忠实地保留了原始的相关性。我们的主要贡献总结如下：
- 我们提出了RDST，这是一种通过双路径聚合机制进行金融时空建模的新框架，它有效地捕捉了全局趋势和局部实时动态，提供了对复杂时空动态的全面表示。
- 我们提出了一种基于延迟信息传播原则的时空图构建策略，该策略防止关系图过早地对局部异常做出反应，并更好地捕捉了原始的相关性。
- 我们在CSI300和CSI800数据集上进行了广泛的实验，并在NASDAQ数据集上进一步评估了RDST的跨市场泛化能力，展示了其先进的性能。

章节摘录
股票价格预测
在早期阶段，股票价格预测任务主要依赖于统计方法[10]，这些方法试图基于预定义的数学假设来描述价格波动。随着深度学习的发展，递归神经网络和长短期记忆网络（LSTM）[11]等序列模型被应用于股票价格预测。在LSTM的基础上，SFM[12]通过应用频率分解来明确捕捉多频率交易模式。

问题定义
在本文中，我们采用与工作[4]类似的问题设置，该工作使用了股票和市场数据。具体来说，股票级别的输入数据是Alpha 158个因子，表示为????,??∈???1，其中??∈[1,??]是股票指数，??∈[1,??]是历史时间步长，??1=158是特征维度。市场级别的数据是相关指数的波动性，表示为????∈???2，其中??2=63是特征维度。预测目标是未来??天的价格变化，定义为??????=(????,??+)。

实验
在本节中，我们提出了一系列实验来研究以下研究问题：
1. RDST的整体性能与现有的最先进方法相比如何？
2. 每个模块如何贡献于RDST的整体性能提升？
3. 局部异常如何影响关系建模，RDST对此是否具有鲁棒性？
4. 与顺序图构建相比，RDST在受控的局部扰动下有多稳定？
5. ...

结论
在本文中，我们提出了RDST，一种用于股票价格预测的新框架。它采用了一种独特的图构建策略，能够构建出对局部异常具有鲁棒性的关系图，并更好地符合真实市场特征。为了模拟股票的复杂时空动态，RDST进一步提出了一个双路径时空建模机制，有效捕捉了长期全局趋势和短期局部动态。广泛的实验表明，RDST在多种情况下表现出色。

作者贡献声明
张星驰：撰写——原始草稿、可视化、验证、方法论、概念化。
周浩：撰写——审稿与编辑、方法论、概念化。
张 lu：监督、资源、调查。
杨旭：撰写——审稿与编辑、监督、项目管理、方法论。
刘志勇：撰写——审稿与编辑、监督、项目管理、方法论。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢
本工作部分得到了中国国家重点研发计划（项目编号2025YFE0216600）的支持，部分得到了国家自然科学基金（项目编号62503084）的支持，部分得到了广东省基础与应用基础研究基金（项目编号2024A1515110124）的支持，部分得到了航空飞行动力学科学技术重点实验室开放研究基金（项目编号KJW6142210250202）的支持，以及安徽省重点科技项目的支持。

张星驰|周浩|张 lu|杨旭|刘志勇