通过概率状态空间学习进行关系型股票选择

基于摘要分析。本文研究量化交易中的股票排序与选择，针对市场非平稳波动、股票间复杂依赖及确定性建模难以表征不确定性的问题，提出 Relational stock selection framework via probabilistic State Space Learning（RSSL）。其贡献是结合树状高阶关系、时变注意力交互和带不确定性估计的 Probabilistic Kalman Network（PKNet），支持股票动态建模与收益—风险权衡。 机制上，RSSL 首先构建树状结构，通过股票间联系的层次划分显式呈现高阶关系，再使用注意力机制将这些关系与随时间变化的市场走势结合。PKNet 受概率贝叶斯学习中的 state space models（SSM）启发，递归模拟股票波动并估计不确定性。摘要未说明树结构如何学习、状态与观测的定义、概率分布、损失函数，以及训练和推理流程，不能据此将其等同于某种具体 SSM 架构。 作者报告，在若干真实股票市场数据集上，RSSL 相较多个代表性基线取得显著优势；摘要未提供数据集名称、时间划分、指标、具体数值或统计检验信息。其是否改善收益—风险权衡，以及交易成本、关系构建时点和各模块贡献，均需全文核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：层次关系与概率递归状态估计的结合，可能对应 EEG 中通道依赖、非平稳变化及不确定性表征问题，但股票关系不等同于脑区或电极关系。可考虑复用关系聚合和状态估计思路，需重新定义 EEG 观测、通道层次结构与任务监督；原方法所依赖的数据规模和监督条件尚不明确。低信噪比、跨被试差异、通道布局变化及小数据条件可能使关系学习不稳定或不确定性失准。一个可检验的假设是：在固定 Cross-subject 运动想象划分下，以同一 EEG 编码器比较无关系模块、层次关系模块及加入概率状态估计后的分类与校准表现，检验各机制能否独立贡献增益。以上仅为迁移假设，相关 EEG 工作尚未检索确认。