股票选择：时空超图注意力网络驱动的排序学习方法

"STHAN-SR模型：一种利用时空超图注意力网络进行股票选择的深度学习方法" 在金融商贸领域，深度学习已经被广泛应用于复杂的股票预测任务，然而，当前的方法存在两个主要问题：一是未直接针对投资利润进行优化，二是忽视了股票之间的相互关联和价格动态的丰富信息。为了解决这些问题，研究者提出了"Stock Selection via Spatiotemporal Hypergraph Attention Network"（STHAN-SR），这是一种全新的神经超图架构，专用于股票选择。该模型将股票预测转化为学习排序问题，考虑了股票间的复杂关系及其价格的时空动态变化。 STHAN-SR模型的核心是创新的时空超图注意力网络结构。超图是一种扩展的传统图，它可以表示多对多的关系，因此非常适合描述股票之间的复杂相互作用。在这个模型中，每个节点代表一只股票，边则连接了具有相关性的股票，形成了一个反映股票间相互作用的超图。同时，引入了Hawkes注意力机制，它能够捕捉到股票价格动态的时间依赖性和自激发效应，进一步增强模型对股票事件序列的建模能力。 模型在处理时间维度时，通过时间注意力机制对股票的历史价格序列进行加权，强调了关键时间点的重要性。而在空间维度，通过超图注意力机制，STHAN-SR能够识别并强调对预测目标有重大影响的股票关系。这种双重关注机制使得模型不仅能捕捉到股票间的静态关联，还能动态地适应市场的变化。 实证研究表明，STHAN-SR在三个不同市场的超过六年数据集上，相比于现有的先进神经股票预测方法，表现出显著的预测性能提升。这证实了STHAN-SR模型在实际投资决策中的应用潜力。此外，对模型的空间和时间组件的深入分析揭示了设计选择的有效性，进一步证明了STHAN-SR在理解股票市场复杂动态方面的优越性。 STHAN-SR模型通过集成深度学习、超图理论和注意力机制，为股票选择提供了一个更全面且精准的视角，有望改善金融领域的量化交易和投资决策。这一创新方法对于金融从业者和研究人员来说，提供了新的工具和技术，有助于在复杂多变的股票市场中做出更明智的选择。