金融分野において、リスクモデリングおよび収益創出は、高度かつ複雑な株価動向予測タスクに大きく依存している。株価予測は、市場の確率的ダイナミクスおよび非定常性という性質により、極めて困難な課題である。株価の変動は、従来の価格データに加え、ソーシャルメディアや株式間の相関関係など、多様な要因によって影響を受ける。オンラインコンテンツおよび知識の普及が進む中、正確な株価予測を実現するためには、こうしたマルチモーダルな信号を考慮したモデルの開発が不可欠である。本研究では、階層的時系列のアプローチにより、金融データ、ソーシャルメディア、株式間の相互関係から得られる混沌とした時系列信号をグラフニューラルネットワークを用いて効果的に統合するアーキテクチャを提案する。実世界のS&P 500指数データおよび英語のツイートを用いた実験を通じて、本モデルが投資意思決定およびトレーディングのツールとして実用性を有することを示した。