ハイブリッドCNN-LSTM-GNNニューラルネットワーク

科学分野:

• 計算金融
• 機械学習
• 金融エコノメトリクス

背景:

• ディープラーニングモデルは,従来の方法よりも優れた性能を備えています.
• 既存のモデルは特性の選択の透明性と 株の選択への直接的適用性が欠けていることが多い.
• 株価指数の動向や 個々の株価を予測するのは 実践的に難しいことです

研究 の 目的:

• 多変量ハイブリッドニューラルネットワーク CNN-LSTM-GNN (CLGNN) を提案し,株の予測と選択を行う.
• 金融時系列データの有効な特徴選択方法を開発する.
• 株価と株価のコードを入力する直接的な株選抜戦略を作成します.

主な方法:

• コンボリューションニューラルネットワーク (CNN),長期短期記憶 (LSTM),グラフニューラルネットワーク (GNN) を統合したハイブリッドニューラルネットワークモデル (CLGNN) を開発した.
• エントロピーとピアソン相関を用いたハイブリッドフィルターアプローチを用いた.
• GNNモジュール内のグラフ学習,グラフコンボリューション,およびテンポラルコンボリューションレイヤーを利用して,データ間の関係を分析した.

主要な成果:

• CLGNNモデルは,TCNやTransformerのような他のモデルと比較して,ストック予測と選択において優れたパフォーマンスを示しました.
• 日々の収益率,売上高,相対強度指数,量,前期調整済みの閉店価格を用いた特性の選択は,最も高い収益をもたらしました.
• 提案されたハイブリッド特性の選択方法は,ストック予測のための重要な入力変数を特定するのに有効であることが示されました.

結論:

• CLGNNモデルは,複雑なデータ依存性を捉えることで,株の選択に堅実で説明可能なアプローチを提供します.
• ハイブリッド機能選択方法は,金融におけるディープラーニングモデルの予測精度と実用性を高めます.
• この研究は,データに基づいた先進的な株選別戦略を策定するための貴重な枠組みを提供します.