面向股票预测的动态股票共变图归纳式表示学习

该研究面向股票价格预测，根据历史股价共变关系构建动态股票图，提出 hybrid-attention dynamic graph neural network（HAD-GNN），以归纳式图表示学习利用公司间随时间变化的关联。基于摘要分析，未取得论文全文。 方法结合时间注意力与图注意力学习动态图中的节点表示，并将 mini-batch 梯度下降扩展到动态股票图上的归纳式表示学习，采用 t-batch training mechanism（t-BTM）提高训练效率。摘要未说明共变关系的具体计算方式、构图窗口、边筛选规则、注意力实现、预测目标与损失函数，归纳式设定如何处理未见节点或新图也尚未验证。 作者报告，在不同市场股票数据上的实验和交易模拟中，该方法显著改善股票预测；但材料未给出市场名称、时间划分、对照基线、指标数值、统计检验或交易成本设定，因此无法据此量化收益或判断不同评估协议下的优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，用动态关系图与时间注意力共同描述 EEG 通道间随时间变化的统计依赖，而非直接迁移金融结论。原方法依赖历史股价序列、共变关系及股票预测监督；用于 EEG 时，可考虑复用动态图表示与注意力框架，但需重新定义节点、连接估计、时间窗口和任务监督，并核对 t-BTM 是否适配 EEG 样本组织。低信噪比可能使连接估计不稳定，通道差异、被试差异及小数据也可能削弱动态图的收益。一个可检验的小实验是在固定 EEG 任务及相同数据划分下，对比静态图与动态图，并分别移除时间注意力和图注意力，检查增益是否稳定；这只是迁移假设，已有 EEG 相关工作尚未检索确认。