摘要
一直以来，业界都在尝试用各种方法预测股票价格或股票价格的涨跌趋势，常见的是利用传统神经网络模型来预测股票涨跌趋势。但传统的神经网络并不能很好地刻画个体间的关联性，而图神经网络模型加入了个体间的网络联系，有效表达个体间的关联性，模型的效果往往会更佳。故而本文使用图神经网络模型，加入包含股票个体之间的网络联系。刻画网络联系的常用方法例如：利用公司所属行业关系或使用相关系数等，均有较好的效果。故而本文提出加入外源信息：新闻搜索结果条数，用其来构建网络连接。这样做的优势在于不仅可以动态地刻画股票间的关联，还可以更客观地构建股票之间的关系。 本文先研究了如何提取公司关系的信息以及如何将公司关系动态地融入模型，然后研究了公司之间的关系对股票价格预测趋势的影响。最终本文提出一种新的预测股价趋势的方法，即结合新闻共现矩阵和股票历史价格数据进行预测。该方法为基于GRU和GCN的联合预测动态模型，利用新闻共现矩阵量化公司关系强度，使用图卷积神经网络提取公司关系的特征，再结合门控循环单元提取时间特征。为了将公司关系动态地融入门控循环单元神经网络，在输入数据训练模型时不再使用固定的批量大小，而是将同一个月的样本作为一批数据及对应的共现矩阵输入模型，输入的共现矩阵随着时间在变化。其次考虑到新闻传播的滞后性，对比在不同滞后时长条件下模型的收益情况，最后采用滞后于新闻共现矩阵对应时间两个月的股票价格涨跌幅。根据预测的股票涨跌幅度，制定简易的交易策略，根据策略的收益情况来评估模型的优劣。本文的模型不仅是动态的，而且还可以仅使用一个模型同时预测200多只股票的涨跌。同时本文还对比了设定不同的时间步长提取的时间特征对于模型收益的影响。最后将GCN-GRU联合预测模型与单独的GRU模型的实验结果进行对比，从模型的收益情况来看，融入公司关系对于模型效果的提升起到了关键作用，也验证了结合新闻共现矩阵和股票历史价格数据基于GRU和GCN的联合预测动态模型预测方法的有效性。
NETL