الملخص أولى خبراء الصناعة وكذلك الأكاديميون اهتماماً كبيراً للبحث في تقلبات سوق الأسهم. ركزت معظم الأبحاث السابقة على استخدام ميزات فردية مثل أسعار الإغلاق، أسعار الافتتاح، أو الأخبار لتنبؤ حركة الأسهم. في الآونة الأخيرة، زاد الاهتمام باستخدام الشبكات العصبية الرسومية المتعددة الوسائط التي يمكنها تحليل مجموعة متنوعة من الميزات. تركز معظم هذه الأساليب على تجميع العقد لاستخراج الميزات ذات الصلة من الأسهم المتعلقة بها من أجل تحسين دقة النموذج. النموذج الحالي الرائد—ML‐GAT: نموذج الانتباه الرسومي متعدد المستويات—يبني شبكة رسومية بين الأسهم باستخدام علاقات ويكيدا. يستخدم عدة طبقات من الانتباه الرسومي لتجميع ميزات مثل ميزات الأسعار التاريخية والأخبار الحالية. ومع ذلك، فإن العدد الكبير من العلاقات بين الشركات في ML‐GAT قد يتضمن حواف غير ذات صلة وضوضاء. كما يستخدم معاملات انتباه فردية لكل طبقة، مما يؤدي إلى استخدام غير فعال للموارد الحاسوبية. للتغلب على هذه التحديات، يُقترح في هذه الورقة شبكة الانتباه الرسومية النادرة لتنبؤ الأسهم (SGAT‐SP). تستخدم SGAT‐SP مجموعة واحدة من معاملات الانتباه لتقليل وقت التدريب والاستدلال. تعين قناعًا ثنائيًا لكل حافة يمثل ما إذا كانت ستستخدم لتجميع العقد لتقليل الحواف المزعجة. يحقق النهج المقترح متوسط دقة بلغ 0.83، وهو تحسن طفيف عن ML‐GAT، الذي بلغت دقته 0.827. بالإضافة إلى ذلك، يقلل بشكل ملحوظ من وقت الاستدلال بنسبة 85٪، مما يؤدي إلى نتائج أسرع وتقليل النفقات الحاسوبية.
غوبتا وآخرون (سن)، درسوا هذا السؤال.