DRFN：基于静态和动态双重关系的股票预测融合网络
“STOCK PREDICTION VIA A DUAL RELATION FUSION NETWORK INCORPORATING STATIC AND DYNAMIC RELATIONS”
股票价格预测对投资者和金融监管者至关重要，早期研究侧重于丰富输入信息和学习时间序列模式。现有研究忽视了股票间关系的重要性，这些关系包括行业相关性、供应链联系、竞争动态和跨资产传染效应。
本文提出双重关系融合网络（DRFN），捕捉股票关系结构的长期相对稳定性，强调静态与动态关系的互补性，以应对市场低效、行为偏差和滞后反应。方法在比较实验中表现出一致的优越性，关系融合模块对股票价格波动的敏感性增强。
【 扫描文末二维码加入星球获取论文，源码 】
摘要
准确建模股票间关系对价格预测至关重要，但现有方法多集中于单一状态关系，忽视动态与静态关系的互补性。本文提出双重关系融合网络（DRFN），捕捉股票关系结构的长期相对稳定性，同时灵活应对市场突变。新颖的相对静态关系组件建模时间变化的长期模式，并纳入隔夜信息影响。通过距离感知机制捕捉动态关系，并通过前一天的动态关系与预定义的静态关系的递归融合演变长期结构。实验表明，该方法在不同市场上显著优于基线，且对关系强度与股票价格的共动性高度敏感。
简介
股票价格预测对投资者和金融监管者至关重要，早期研究侧重于丰富输入信息和学习时间序列模式。现有研究忽视了股票间关系的重要性，这些关系包括行业相关性、供应链联系、竞争动态和跨资产传染效应。单一模型存在局限性：静态模型无法捕捉关系演变，动态模型可能导致不稳定性，尤其在重大事件中表现不佳。动态建模框架结合静态结构以降低波动性，He等人提出的静态-动态图神经网络未解决以下问题：
忽视新闻影响对短期和长期股票关系的作用。
股票关系随新信息动态演变。
动态与静态关系的复杂非线性交互，简单拼接无法捕捉市场复杂性。
本文提出双关系融合网络（Dual-Relation Fusion Network）用于股票价格预测，强调静态与动态关系的互补性，以应对市场低效、行为偏差和滞后反应。通过对比学习对新闻和市场指标嵌入进行对齐，采用双线性融合捕捉定性情感与定量信号的细微互动，增强股票表现的预测能力。设计关系融合模块，包含三个核心组件：
动态关系学习：通过距离调制的交叉注意力建模短期互影响。
相对静态关系建模：融合前一天动态特征与加权静态特征，捕捉时间变化的长期结构。
动态-相对静态融合：使用双向交叉注意力融合动态与相对静态特征。
本文主要贡献：
双关系融合框架：整合短期波动与长期依赖，兼顾结构稳定性与市场响应性。
距离调制相关性建模：通过距离感知机制量化股票动态。
自适应静态关系构建：通过前一天动态关系与预定义静态关系的递归融合演化长期结构。
相关工作
早期研究使用历史数据和技术指标进行股票预测，忽视了股票间的相关性。Li等提出的多模态事件驱动LSTM模型结合在线新闻文本和市场指标，但未考虑股票间的互动影响。后续研究采用关系建模方法，图模型被广泛应用于此。Ying等设计的时间感知关系注意机制捕捉股票间的时间变化相关性。研究[12]通过市场信号推断潜在公司关系，利用属性驱动的图注意网络捕捉动量溢出。Huynh等使用行业超图和小波超图卷积捕捉复杂动态关系。关系建模通过信息聚合和门控机制改进，但未完全捕捉长期不变关系。LSR-IGRU构建长短期关系矩阵，增强GRU输入以整合时间和关系信息。本文提出的DRFN模型旨在捕捉持久关系结构，同时灵活应对市场突变。
DRFN
预测下一日股票收益率，将其视为回归问题，收益率计算公式为
输入数据 D 包含过去 T 天的新闻文本和市场指标，具体包括 Q 条新闻文本和六个市场指标（开盘价、收盘价、调整后收盘价、最高价、最低价、成交量）。
DRFN框架流程：
使用BERT&GRU和GRU分别编码文本和市场指标数据。
对得到的时间隐藏状态进行对齐和融合，生成多模态融合向量。
将融合向量输入GRU模块提取时间模式。
关系融合模块建模长期静态和短期动态的股票间关系。
将关系特征与残差传播的时间隐藏状态结合，形成统一表示。
通过非线性映射函数进行股票价格预测。
新闻文本编码
新闻情绪影响投资者行为，导致股价变化，并塑造股票相关性。供应链新闻对上下游公司有影响，某公司积极新闻可能对竞争对手产生负面影响。使用预训练的BERT模型对新闻文本进行编码，生成嵌入向量。通过GRU学习T天内所有新闻的时间模式，得到新闻嵌入的时间隐藏状态。
市场指标编码
市场指标反映市场动态，包括趋势和波动性。使用单独的GRU模型来模拟市场指标的动态。
h θ i,m 表示T天时间窗口内市场指标的时间隐藏状态。
多模态对齐和融合
市场指标与文本新闻在行为金融学中具有强互补性，投资者决策受新闻情绪影响。定量市场指标反映交易行为，定性新闻揭示情感和行为驱动因素，提供重要的背景信息。对于Z股票，采用对比学习和InfoNCE损失函数对市场指标和文本新闻的时间隐藏状态进行对齐。
通过交叉模态对齐，减少同一股票的两种模态之间的距离，增加不同股票之间的距离。对齐后，使用拼接和加权双线性变换融合特征，利用信息互补性。双线性操作能够更好地建模复杂市场现象，捕捉新闻情绪对股价的非线性影响。
时间模式学习
融合后的向量序列 x θi 被输入到 GRU 中，输出所有隐藏状态 v_{i}^{θ}。GRU 的隐藏大小为 F，旨在捕捉跨模态的时间协作模式。
通过更新门动态调整记忆保留，关注新闻事件的短期影响，同时保持市场动态的长期周期性模式。
关系融合模块
本文提出了一种新颖的关系融合模块，结合短期动态关系与长期静态关系，包含五个组件：预定义静态关系、动态关系学习、相对静态关系建模、动态-相对静态融合、关系-时间交互融合。
预定义静态关系：基于Wikidata构建的二元矩阵S_pre，表示长期稳定的公司间关系，排除自相关。
动态关系学习：通过双重相关建模与距离调制捕捉股票间动态关系，使用注意力矩阵A_θ,(a)和行为差异D_θ,(a)来建模。
相对静态关系建模：结合前一日动态关系与预定义静态关系，形成相对静态关系S_relative，使用线性加权和可学习参数调整。
动态调整：引入可学习参数α，动态调整静态关系的贡献，以适应股票间关系强度的时变特性。
动态-静态融合机制：设计双重关系融合机制，通过双向交叉注意力实现动态与静态关系的自适应融合，捕捉短期波动与长期稳定性。
关系-时间交互融合：在股票关系基础上，利用多头双线性注意力机制融合时间多模态特征，学习关系与时间的交互，反映股票间的竞争或互补关系。
自适应剩余连接和输出
采用残差连接和自适应融合时间嵌入与关系特征，生成统一表示以预测股票收益。最终输出通过非线性投影计算，涉及权重矩阵和偏置。自适应融合解决了特征异质性和动态敏感性问题。
特征异质性：输入特征多样，简单拼接会产生噪声。
动态敏感性：股票对不同信息源的敏感性不同，学习权重可动态调整贡献。
目标函数
目标函数为MSE损失与跨模态对齐损失的结合：
其中，r_i^{t+1}和r̂_i^{t+1}分别表示股票i在时间t+1的真实和预测收益，λ为平衡超参数。
实验
数据集与实验设置
使用中国（CMIN-CN）和美国（CMIN-US）市场的数据集进行评估，CMIN-US包含105只股票，交易天数为1006天；CMIN-CN包含227只股票，交易天数为968天。数据集按8:1:1比例划分为训练、验证和测试集，评估指标为均方根误差（RMSE）和平均绝对误差（MAE）。
由于市场波动，每个基线模型训练10次，报告平均性能。跨市场超参数调优在两个验证集上产生相同配置，显示出强大的跨市场泛化能力。
数据规格：最大每日新闻数量Q=30（40个tokens/text）；BERT编码文本向量L=768；GRU编码市场指标的时间向量L'=64。
最优模型参数：时间窗口T=5，注意力头B=6，GRU维度F=128，注意力维度F'=256，平衡参数λ=1。
模型使用Adam优化器，学习率为2×10^-3，在单个NVIDIA Tesla P100 GPU上训练，总运行时间约11小时。
基线
LSTM和GRU是经典的时间序列预测模型，使用2层LSTM和2层GRU作为基线方法。
GAT通过自注意力层为邻域内不同节点分配权重，使用2层掩蔽自注意力层。
GCN用于捕捉股票关系，采用2层卷积层，邻接节点属性线性聚合到中心节点。
SAMBA结合Mamba架构和图神经网络，通过双向Mamba模块捕捉历史价格的长期依赖。
MASTER模型利用市场指标捕捉股票间的瞬时和跨时间相关性。
LSR-IGRU改进GRU，结合行业信息和价格变化构建股票关系表示。
LSTM和GRU输入为技术指标和文本特征的拼接，GCN和GAT将其作为图节点并用静态关系连接。
结果
LSTM和GRU性能最低，因仅捕捉基本时间模式，无法有效建模多模态数据关系。GAT和GCN优于LSTM和GRU，因其有效建模股票关系。MASTER通过捕捉细粒度的股票关系和动态相关性，表现更佳。SAMBA因双向时间序列建模和自适应结构建模，超越MASTER。LSR-IGRU通过结合行业数据和隔夜价格，捕捉跨行业依赖和短期波动，表现最佳。本方法通过静态与动态股票关系的互补学习，实现最佳性能。
关联建模变量与消融研究
评估关系融合模块及其变体的有效性，结果见表2。用预定义静态关系替换关系融合模块显著降低性能，表明股票关系动态性。相对静态模型通过捕捉时间变化模式和纳入隔夜信息，优于静态模型。动态关系学习表现最佳，短期动态关系与价格波动相关性更强。静态-动态融合方法优于单一动态模型，静态结构锚点对动态建模至关重要。进一步的消融研究强调了模态对齐和输入嵌入对股票动态的直接影响。
关系注意对价格波动的敏感性
本研究主要贡献在于建模股票关系，评估不同关系建模方法对价格波动的敏感性。采用三种方法进行比较：静态关系方法（GAT）、动态关系学习（LSR-IGRU）和静态-动态融合。通过计算皮尔逊相关系数（ρ）来衡量关系强度变化（∆S）与价格变化（∆C）之间的敏感性。
静态关系建模缺乏价格敏感性，动态关系模型对价格波动的敏感性也较低，导致LSR-IGRU表现不佳。静态-动态融合模块通过整合历史和当前动态，显著提高了关系与价格共动的敏感性。对AAPL和AMZN的长短期分析显示，静态-动态融合模块在价格波动的方向和幅度上表现优于动态模块。
总结
本文提出了一种双关系融合网络，实现静态与动态股票关系的互补融合。学习股票关系结构的长期相对稳定性，同时保持对市场突发波动的灵活应对能力。方法在比较实验中表现出一致的优越性，关系融合模块对股票价格波动的敏感性增强。
我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。
请加微信“LingDuTech163”，或公众号后台私信“联系方式”。
关注【灵度智能】公众号，获取更多AI资讯。
