
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于因子驱动动态图学习的股价预测框架FactorDGL
《Scientific Reports》:FactorDGL: factor-driven dynamic graph learning for stock price forecasting
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要由于金融市场的噪声性、非线性以及多因素特征,预测股价走势极具挑战性。大多数传统和深度学习模型主要依赖于观测到的价格序列,这使得它们难以捕捉与短期波动相关的复杂潜在时间模式。这些模型还难以表征高阶时间依赖关系,并且往往无法以结构化的方式组织不同来源的市场变化。为解决这些局限
由于金融市场的噪声性、非线性以及多因素特征,预测股价走势极具挑战性。大多数传统和深度学习模型主要依赖于观测到的价格序列,这使得它们难以捕捉与短期波动相关的复杂潜在时间模式。这些模型还难以表征高阶时间依赖关系,并且往往无法以结构化的方式组织不同来源的市场变化。为解决这些局限,我们提出了FactorDGL:一种基于因子驱动动态图学习的股价预测框架(FactorDGL),旨在逐步学习和精细化地构建价格运动背后的层级潜在表征。FactorDGL采用时间超图来表示多个历史时间点之间的复杂关系,并结合级联残差机制,逐步从扣除已知影响因素后剩余的残差信号中提取潜在表征。此外,我们通过整合辅助波动率预测和夏普比率预测任务,将股价预测问题构建为价格-风险联合表征学习问题,从而帮助模型更好地适应动态市场状态和结构性变化。在MasterCard、Visa和DJIA数据集上的实验表明,在所评估的市场环境下,FactorDGL持续优于现有基线方法。