基于双层混沌融合的图卷积网络用于股市预测区间

arXiv cs.LG 论文
stock-market prediction-interval graph-convolutional-network chaotic-fusion deep-learning financial-forecasting uncertainty-quantification

摘要

提出了一种基于双层混沌融合的图卷积网络用于股市预测区间，在2016-2026年NSE数据上，相比基线模型，在Winkler分数、PIAW和PICP指标上取得了显著改进。

arXiv:2605.16324v1 公告类型: 新 摘要: 金融市场预测 inherently 具有不确定性，然而大多数深度学习方法依赖于点预测，仅提供单值估计而不量化不确定性。这类预测不足以支持风险感知决策，因为它们无法捕捉可能的结果范围以及预测的置信度。预测区间可以解决该问题，它能够给出预测的上界和下界，从而实现模型中的不确定性表示。然而，现有方法往往忽略资产之间的关系，或者无法在动态变化的市场 regime 下同时确保所得区间的良好校准性和 sharpness。在我们的工作中，我们提出了一种基于时空图的方法，结合双层混沌融合技术来解决这一问题。我们的模型使用独立的非线性变换函数来估计区间中心与宽度。此外，采用了一种 volatility-aware 门控机制，使预测依赖于市场运行的 regime。通过嵌入图结构并对其进行序列建模来考虑时间依赖性。训练过程基于 Lower-Upper Bound Estimation (LUBE) 目标。我们的实验结果表明，在 2016 年至 2026 年 NSE 的八个板块中 43 家领先公司的数据上，与现有基线模型（LSTM、GRU、GCN、HGNN）相比，我们的方法取得了显著改进。它提供了最低的 Winkler 分数（0.0778）、最窄的预测区间（PIAW = 0.1407）和最高的覆盖率（PICP = 96.6%），根据 Diebold-Mariano 检验，所有差异在统计上显著（p < 0.001）。
查看原文
查看缓存全文

缓存时间: 2026/05/19 06:41 

# 基于双层混沌融合图卷积网络的股票市场预测区间方法
来源：https://arxiv.org/abs/2605.16324
查看 PDF（https://arxiv.org/pdf/2605.16324）

> 摘要：金融市场预测本身具有不确定性，然而大多数深度学习方法依赖于仅提供单值估计的点预测，而无法量化不确定性。这类预测不足以支持风险意识的决策制定，因为它们未能捕捉可能结果的区间范围以及预测结果的相关置信度。通过使用预测区间，可以获得预测的上界和下界，从而使模型能够表示不确定性，从而解决这一问题。然而，现有方法往往忽视资产之间的关系，或者在动态变化的市场体制下，无法同时保证预测区间的良好校准性和尖锐性。在我们的工作中，我们提出了一种基于时空图的方法，结合双层混沌融合技术来解决这一问题。我们的模型使用独立的非线性变换函数来估计区间的中心值和宽度。此外，采用了一种波动感知门控机制，使预测依赖于市场所处的运行体制。通过嵌入图结构并对其进行序列建模来考虑时间依赖性。训练过程基于下界-上界估计（LUBE）目标函数进行。实验结果表明，与现有基线方法（LSTM、GRU、GCN、HGNN）相比，在应用于2016年至2026年印度国家证券交易所（NSE）八个行业的43家领先公司数据时，我们的方法取得了显著改进。它提供了最低的Winkler分数（0.0778）、最窄的预测区间（PIAW = 0.1407）和最高的覆盖率（PICP = 96.6%），根据Diebold-Mariano检验，所有差异均具有统计显著性（p < 0.001）。

## 提交历史

来自：Vivek Yelleti 博士 \[查看邮件（https://arxiv.org/show-email/2276cbb3/2605.16324）\] **\[v1\]** 2026年5月5日星期二 05:06:42 UTC（5,621 KB）

相似文章

用于混沌预测的时间范围约束的Rashomon集

arXiv cs.LG

介绍了时间范围约束的Rashomon集，用于表征混沌系统中模型多样性的演化。该框架证明了预测等价性的指数收缩，并开发了决策对齐算法，将决策质量提高了18-34%。

基于图的金融欺诈检测：校准风险评分与结构正则化

arXiv cs.LG

本文提出了一种用于金融欺诈检测的图神经网络框架，该框架将交易记录和身份信息整合到节点属性中，采用多层消息传递机制，并利用加权监督和结构一致性正则化来改进风险评分和概率校准。在公共数据集上的实验表明，该方法优于现有方法。