.png){kind=icon}
返回
Understanding Interactive Stock Dynamics via Sensitivity-Aware Dependency Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3675433.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
股市固有的波动性给理解股票动态带来了显著挑战，特别是在基于股票排名的投资决策方面。基于学习的方法的最新进展在探索时序依赖性以理解股票走势方面取得了有前景的结果。然而，这些方法通常假设稳定、确定且可靠的环境，从而限制了其对市场复杂性和波动性本质的洞察。这种复杂性由两个重要因素驱动：跨不同时间模式下的动态且稳定趋势的显式一致性，以及不确定性下逻辑与可能性的隐性相互作用。因此，我们提出了一种敏感性感知依赖学习解决方案（SDL）用于股票排名。考虑到弥合理想与现实之间的差距，SDL在长期依赖关系的指导下捕捉短期波动，并关联反事实知识的增强。具体而言，SDL设计了一个短期协整检测器（SCD），专注于捕捉时变相关性和即时市场反应，此外还结合了多期注意力机制。此外，一个长期协同运动跟踪器（LCT）利用持久的行业关系并融入反事实知识，使模型能够超越观察到的模式进行泛化，并识别多样化的长期趋势。在五个真实股票市场的全面实验表明，我们提出的SDL优于几个代表性的基线方法。
Keyword:
Counterfactual augmentation
dependency learning
dynamic relation learning
stock ranking
uncertain condition
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
Incorporating Expert-Based Investment Opinion Signals in Stock Prediction: A Deep Learning Framework
OAAI
OAAI分享收藏分享收藏分享收藏分享收藏
查看更多内容