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
狄百招完成签到,获得积分0
2秒前
曼夭非夭完成签到,获得积分10
2秒前
木子完成签到,获得积分10
3秒前
3秒前
3秒前
谨慎的凝丝完成签到,获得积分10
3秒前
CodeCraft应助阿修罗采纳,获得10
3秒前
华仔应助悦耳的乐松采纳,获得10
4秒前
酷炫葵阴完成签到,获得积分10
4秒前
4秒前
4秒前
搜集达人应助凉城采纳,获得10
4秒前
qwepirt完成签到,获得积分10
4秒前
123完成签到,获得积分10
5秒前
may完成签到,获得积分10
6秒前
luoxiaoyan1927完成签到,获得积分10
6秒前
6秒前
FashionBoy应助echo采纳,获得10
6秒前
ChenXinde完成签到,获得积分10
6秒前
谷飞飞完成签到,获得积分10
7秒前
王易云完成签到,获得积分10
7秒前
4737完成签到,获得积分10
8秒前
1122发布了新的文献求助10
8秒前
zyfzyf完成签到,获得积分10
8秒前
kxy完成签到,获得积分10
8秒前
研友_8WzJOZ完成签到,获得积分10
8秒前
不爱吃韭菜完成签到 ,获得积分10
8秒前
10秒前
虾虾妹儿发布了新的文献求助10
10秒前
冷曦发布了新的文献求助10
11秒前
11秒前
12秒前
12秒前
fbh1完成签到,获得积分10
13秒前
钱子默发布了新的文献求助10
14秒前
万能图书馆应助4737采纳,获得10
14秒前
14秒前
吕健发布了新的文献求助10
14秒前
终焉完成签到 ,获得积分10
15秒前
亦清完成签到,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 3104211
求助须知:如何正确求助?哪些是违规求助? 2755498
关于积分的说明 7633314
捐赠科研通 2408986
什么是DOI,文献DOI怎么找? 1278114
科研通“疑难数据库(出版商)”最低求助积分说明 617284
版权声明 599207