股票走势预测是对股票价格未来走势的预测，在投资中起着至关重要的作用。因为同行业的股票价格是高度相关的，所以市场中的股票之间的信息是可以共享的。最近也提出了几种方法来通过从 Web 中提取的股票概念类别（例如，技术、互联网零售）来挖掘共享信息，以改进预测结果。
在以前的工作假设中股票和信息之间的联系是固定的，从而忽略了股票和信息之间的动态相关性，从而限制了预测结果。现有方法忽略了隐藏概念携带的宝贵共享信息，这些信息衡量股票的共同性超出了手动定义的股票概念。
为克服以往工作的不足，2022 年 1 月微软研究院的提出了一种新颖的股票趋势预测框架，可以充分挖掘该概念面向来自预定义概念和隐藏概念的共享信息。
所提出的框架同时利用股票的共享信息和个人信息来提高股票趋势预测性能。真实世界任务的实验结果证明了框架在股票趋势预测方面的效率。投资模拟表明，论文的框架可以实现比基线更高的投资回报。
HIST 框架
作者引入了一个在人类专家预定义概念之外的股票概念（例如股票行业、行业和主营业务），并使用股票特征编码器提取每只股票的时间特征（论文中的 2 层 GRU 网络）。
通过使用基于图的神经网络，整体架构可以描述为：
作者评估了 HIST 框架对两个流行且具有代表性的股票组合：沪深 100 和沪深 300
通过 2007/01/01 到 2020/12/31 的数据并预测 t+1 回报，他们看到 HIST 的 IC 最高
该方法的 Python 源代码和所有其他基线可以在第一作者的 github 存储库中找到：
https://github.com/Wentao-xu/HIST
论文地址：HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information https://arxiv.org/abs/2110.13716