پیش بینی جهت حرکت قیمت سهام با استفاده از شبکه توجه گراف جهت دار

پیش بینی رفتار آینده بازار سهام به عنوان یک چالش حایز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکرد های یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آورده اند. مطالعات پیشین، اهمیت درنظرگرفتن داده های سهام مرتبط را در خلال عملکرد پیش بینی اثبات کرده اند. با وجود این، مدل سازی روابط بین سهام به عنوان یک گراف جهت دار و ساخت بازنمایی گره های این گراف به کمک مکانیزم توجه تا کنون مورد استفاده قرار نگرفته است. ما در این کار، چهارچوبی به نام DeepNet را معرفی می کنیم که یک شبکه جهت دار دودویی را از تاثیرات داده های سهام در بهبود دقت پیش بینی یکدیگر ایجاد می کند و با استفاده از شبکه توجه گراف، اهمیت گره های همسایه برای ساخت بازنمایی ها را در حین عملیات آموزش، کشف می نماید. ما مدل جدیدی از شبکه توجه گراف را برای استفاده در گراف های جهت دار توسعه دادیم که قادر است اهمیت بردار ویژگی گره ها برای ساخت بازنمایی را به صورت یک طرفه در نظر بگیرد. نهایتا ارزیابی های ما بر روی داده های بازار سهام تهران نشان می دهد که مدل معرفی شده از دقت و MCC بالاتری نسبت به مدل های رقیب برخوردار است.