StockRanker: A Novelty Three-Stage Ranking Model Based on Deep Learning for Stock Selection

计算机科学 人工智能 库存(枪支) 机器学习 自编码 股票市场 计量经济学 新颖性 学习排名 市值 排名(信息检索) 深度学习 经济 机械工程 古生物学 哲学 神学 工程类 生物
作者
Rui Ding,Xiaowu Ke,Shuangyuan Yang
出处
期刊:Lecture Notes in Computer Science 卷期号:: 385-396 被引量:1
标识
DOI:10.1007/978-981-99-4761-4_33
摘要

The use of deep learning to identify stocks that will yield higher returns in the future and purchase them to achieve returns greater than the market average is an attractive proposition. However, in recent years, many studies have revealed two major challenges facing this task, including how to effectively extract features from historical stock price data that can be used for stock prediction and how to rank future stock returns using these features. To address these challenges, we propose StockRanker, an innovative three-stage ranking model for stock selection. In the first stage, we use autoencoder to extract features embedded in the historical stock price data through unsupervised learning. In the second stage, we construct a hypergraph that describes the relationships between stocks based on industry and market capitalization data and use hypergraph neural networks (HGNN) to enhance the features obtained in the first stage. In the third stage, we use a listwise ranking method to rank future stock returns based on the stock features obtained earlier. We conducted extensive experiments on real Chinese stock data, and the results showed that our model significantly outperformed baseline models in terms of investment returns and ranking performance.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
谷雨下完成签到,获得积分10
1秒前
raycy完成签到,获得积分10
1秒前
亚威完成签到,获得积分10
2秒前
2222222完成签到,获得积分10
2秒前
云阿柔完成签到,获得积分10
2秒前
2秒前
卡卡西完成签到,获得积分10
4秒前
Akim应助炙热橘子采纳,获得20
4秒前
YWang完成签到,获得积分10
5秒前
单薄紫菜完成签到,获得积分10
5秒前
瘦瘦冬寒完成签到 ,获得积分10
5秒前
青易完成签到,获得积分10
6秒前
李志明完成签到,获得积分10
6秒前
7秒前
cyz012568完成签到,获得积分10
7秒前
7秒前
7秒前
TT完成签到,获得积分20
8秒前
小刘完成签到,获得积分10
8秒前
SciKid524完成签到 ,获得积分10
9秒前
有使不完牛劲的正主完成签到,获得积分10
10秒前
顾瞻完成签到,获得积分10
10秒前
滕友桃完成签到 ,获得积分10
10秒前
飘逸的青雪完成签到,获得积分10
10秒前
11秒前
小王完成签到,获得积分10
11秒前
Lucas应助王文帝采纳,获得10
11秒前
11秒前
轻歌水越发布了新的文献求助10
12秒前
TT发布了新的文献求助10
12秒前
科研通AI2S应助坚定迎天采纳,获得10
13秒前
海北完成签到 ,获得积分10
13秒前
1107任务报告完成签到,获得积分10
13秒前
大生蚝完成签到 ,获得积分10
14秒前
G18960发布了新的文献求助10
14秒前
爱因斯坦完成签到,获得积分10
14秒前
Bian完成签到,获得积分10
14秒前
14秒前
chaosyw完成签到,获得积分10
15秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
A Dissection Guide & Atlas to the Rabbit 600
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 500
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3104200
求助须知:如何正确求助?哪些是违规求助? 2755475
关于积分的说明 7633050
捐赠科研通 2408918
什么是DOI,文献DOI怎么找? 1278094
科研通“疑难数据库(出版商)”最低求助积分说明 617279
版权声明 599207