基于股票各板块内部的单向自适应图神经网络的股价预测模型

传统的股价预测方法通常仅看作时间序列预测问题，不能利用到股票的空间信息，而使用图神经网络(GNN)进行预测，却缺少股票间关系的图数据结构。文章基于同一板块内股票之间具有相似的趋势，龙头股对其他股票具有明显的领涨或领跌的影响，提出一种基于股票各板块内部的单向自适应图神经网络模型(Stock-GNN)对股价进行预测。该模型的单向图学习模块可以自适应地训练出股票间的图数据结构，再利用时序卷积模块和图卷积模块提取时间和空间上的特征。并爬取A股四大板块(银行、白酒、电力设备、生物医药)的真实数据进行实证分析，与现有的股票预测模型AR、GARCH、CNN-GRU、TPA-LSTM、CNN-LSTM-Attention以及不按板块划分的图神经网络(All-SGNN)进行比较。实验结果表明，Stock-GNN预测模型的预测误差更低，相关系数更高。