【Incorporating Corporation Relationship via Graph Convolutional Neural Networks for Stock Price Prediction】

同样是一篇利用图神经网络来做的文章。

由于资本市场的发展，公司之间建立起了各种千丝万缕的联系，而由于有效市场的假设存在可以认为资本市场之中的公司之间可以相互传导联系。所以本文之中就按照这个思路建立了一个模型以反映这里的关系的传导。

其对于股价的预测的任务可以看成是一个二分类的问题（上升或者是下降）。在模型之中同时使用了两种不同的信息，第一种信息是历史信息，在过去的$d$天之中，我们可以构建一个特征向量作为$X_{i,t} = (x_{i,t-d} ,\cdots ,x_{i,t-2} , x_{i,t-1})$之中的每一个Entry都含有各种股价的Indicator比如说Price或者是Volume这类的信息。那么还有一种信息就是公司之间的关系的信息。

在WIND数据库（土豪数据库）之中可以找到上市公司和他们的Top10的股东的信息，在这的3024家公司总共被20836个股东所控制，也就是说在这里的关系是会有重复的，所以我们可以根据这样的关系建立一个图，图中的边的Weight就是股东的持股比例。

Model

模型的结构如下所示

对于股价的原始的特征通过LSTM进行进一步的提取作为公司层面的一个特征，然后结合Adjacency矩阵丢进GCN之中。在GCN之中的处理的方法是

$$H^l = ReLU(\hat{A}H^{l-1}W^{(l-1)})$$

其中的$\hat{A} = \tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}$，而之中的$\tilde{A} = A + I_{N}$就是一个拉普拉斯矩阵，里面的$I$是单位阵。而$\tilde{D}_{ii} = \sum_{j} \tilde{A}_{jj}$而$W^{l-1}$是一个权重矩阵。

文中使用的是一个三层的GCN

$$Y = softmax(\hat{A}ReLU(\hat{A}ReLU(\hat{A}X’W^{(0)}) W^{(1)} )W^{(2)}   )$$

图形化表示如下

最后的预测是一个公司的股价的上升或者是下降的信息。

Comments

这篇论文好像并不是特别的长，不过运用的数据还是蛮有意思的，是通过Top10的股东的信息建立起公司之间的联系的，其实在这里的处理方式可以再上一个Level，也就是说再融合更多的信息在网络之中可能效果会更好吧。毕竟在这里的网络之中的效果似乎并非是有极大的提升。而其实如果融入了足够多的信息就不仅仅是在模型的股价预测里面可以发挥作用，也可以使用其他的数据挖掘的方法来处理吧。

Reference

Incorporating Corporation Relationship via Graph Convolutional Neural Networks for Stock Price Prediction