基于社交媒体文本与公司关联性的深度注意力学习股票走势预测

在金融领域，风险建模与收益生成高度依赖于复杂且精细的股票走势预测任务。由于市场具有随机动态特性及非平稳行为，股票预测本身极具挑战性。股票价格的变动不仅受传统研究中的历史价格影响，还受到社交媒体情绪、股票间关联性等多种因素的共同作用。随着在线内容与知识的日益普及，亟需构建能够融合多模态信号的模型，以实现更精准的股票预测。本文提出一种新型架构，通过分层时序方式，利用图神经网络有效整合金融数据、社交媒体信息以及股票间的相互关系，实现对混沌时间信号的强效建模。基于真实世界中的标普500指数数据与英文推文开展的实验表明，该模型在投资决策与交易策略制定方面具有实际应用价值。