پيش‌بيني جهت حركت قيمت سهام با استفاده از شبكه توجه گراف جهت‌دار

پيش‌بيني رفتار آينده بازار سهام به عنوان يك چالش حائز اهميت در يادگيري ماشين توجه زيادي را به خود جلب كرده است و رويكرد‌هاي يادگيري عميق، نتايج قابل قبولي را در اين زمينه به دست آورده‌اند. مطالعات پيشين، اهميت درنظرگرفتن داده‌هاي سهام مرتبط را در خلال عملكرد پيش‌بيني اثبات كرده‌اند. با وجود اين، مدل‌سازي روابط بين سهام به عنوان يك گراف جهت‌دار و ساخت بازنمايي گره‌هاي اين گراف به كمك مكانيزم توجه تا كنون مورد استفاده قرار نگرفته است. ما در اين كار، چهارچوبي به نام DeepNet را معرفي مي‌كنيم كه يك شبكه‌ جهت‌دار دودويي را از تأثيرات داده‌هاي سهام در بهبود دقت پيش‌بيني يكديگر ايجاد مي‌كند و با استفاده از شبكه توجه گراف، اهميت گره‌هاي همسايه براي ساخت بازنمايي‌ها را در حين عمليات آموزش، كشف مي‌نمايد. ما مدل جديدي از شبكه توجه گراف را براي استفاده در گراف‌هاي جهت‌دار توسعه داديم كه قادر است اهميت بردار ويژگي گره‌ها براي ساخت بازنمايي را به صورت يك‌طرفه در نظر بگيرد. نهايتاً ارزيابي‌هاي ما بر روي داده‌هاي بازار سهام تهران نشان مي‌دهد كه مدل معرفي‌شده از دقت و MCC بالاتري نسبت به مدل‌هاي رقيب برخوردار است.