【PaperMachine】CI-STHPAN

CI-STHPAN: Pre-trained Attention Network for Stock Selection with Channel-Independent Spatio-Temporal Hypergraph

0. 论文基本信息

CI-STHPAN: Pre-trained Attention Network for Stock Selection with Channel-Independent Spatio-Temporal Hypergraph

AAAI 2024

Fudan

1. 文章赛道

Financial AI / Quantitative Trading

Stock Selection（股票选择）

不是简单预测明天涨跌，而是：

给定股票池，预测未来收益率，然后排序，选择 Top-K 股票构建投资组合。

论文将问题定义为：
$$
\hat r_i^t=
\frac{\hat c_i^t-c_i{t-1}}
{c_i^{t-1}}
$$
预测每只股票未来收益率：

然后：
$$
\hat R^t=[\hat r_1^t,...,\hat r_n^t]
$$
排序：
$$
y_1^t>y_2t>...>y_n^t
$$
选择排名最高的股票投资。

2. 这个赛道存在什么问题？

作者总结了三个核心问题。

问题1：金融时间序列存在 Distribution Shift

问题2：股票关系通常人为定义

问题3：端到端模型难处理长序列

但是第三点我持保留意见。

3. 文章解决什么问题？

一句话：

如何利用股票历史时间序列进行自监督预训练，并动态学习股票之间关系，从而提升股票排序选择能力。

具体：

解决：

obstacles	CI-STHPAN方案
金融分布漂移	RevIN
长期时间依赖	Transformer + Patching
股票关系固定	DTW动态超图
缺少金融预训练模型	Masked self-supervised pretraining

---

4. 题解

本文以patchTST作为基础，把选股任务分解成两个阶段：

1. 自监督预训练
2. 下游选股任务微调

一个样本就是一个instance，就是长为L的一条序列，就是要存M*B组归一化参数。

---

5. 实验

数据集

数据集名称	股票数量	时间范围	Train/Valid/Test	任务
NASDAQ	1026 stocks	2013-01-02 ~ 2017-12-08	756/252/237 days	股票排序选择
NYSE	1737 stocks	2013-01-02 ~ 2017-12-08	756/252/237 days	股票排序选择

每只股票5个feature：

• close price
• MA5
• MA10
• MA20
• MA30

Metrics

IRR：Investment Return Ratio

Sharpe Ratio

IC：Information Coefficient

主结果

NASDAQ:

方法	IRR	SR
ALSP-TF	0.53	1.55
CI-STHPAN	0.66	2.01

NYSE:

方法	IRR	SR
ALSP-TF	0.41	1.24
CI-STHPAN	0.79	2.14

关键发现

1. Transformer > RNN

因为长期依赖能力强，也符合认知吧。

2. 动态关系 > 固定关系

DTW hypergraph效果最好。

3. Fine-tuning明显提升。预训练获得通用金融表示。

6. 总结

CI-STHPAN 是：

PatchTST + Masked Pretraining + Dynamic Hypergraph Attention + Learning-to-Rank

应用到：

股票选择任务。

它最大的价值不是提出一个新的预测网络，而是把 NLP/CV 里的 foundation model 思路（预训练→微调）第一次较完整地引入股票时间序列建模。

这篇非常值得作为 baseline，因为它提供了：

金融时间序列预训练
        +
股票关系建模
        +
ranking loss

这个框架可以直接扩展到我想做的方向。