准确预测股票趋势是量化投资和自动交易中的一个核心挑战。股票走势受到公司基本面、市场情绪和股票相互作用的影响[1]。传统的统计模型难以表示嵌入在金融数据中的复杂高阶结构和时空动态[2]。因此，开发一个能够整合多源信息并捕捉复杂结构关系的深度学习模型对于提升财务决策至关重要。
近年来，深度学习在金融应用中越来越受欢迎。长短期记忆（LSTM）网络[3]和Transformer[5]在模拟非线性时间模式方面已被证明是有效的。与此同时，图神经网络（GNN）被引入来模拟股票之间的结构依赖关系，为股票趋势预测提供了有前景的视角[6]。与传统图相比，超图通过形成超边提供了更丰富的多节点依赖表示。这一优势使得超图在社交网络分析和金融预测中的应用日益增多[7]、[8]、[9]。通过克服传统图的成对约束，超图为建模复杂结构和整合多样化信息提供了有效的方法[10]、[11]。
随着数据规模和复杂性的增加，动态超图受到了广泛关注[12]。与静态超图相比，动态超图能够捕捉演变的高阶时空依赖关系[13]。结合时间信息使这些结构能够捕捉节点和超边的演变，支持更准确的扩展范围依赖关系和动态交互建模[14]。处理多变量时间序列和事件驱动变化的能力使得动态超图适用于时间敏感的预测任务[15]。
然而，动态超网在计算效率、信息整合和泛化能力方面仍存在局限性[16]。尽管已经探索了超图神经网络、局部嵌入策略和特征融合来提高建模能力，但这些方法仍不足以有效表示复杂的时间依赖关系。由于多节点依赖关系导致的信息传播路径呈指数级增长，可能会进一步增加计算成本[17]。在多模态学习中，不平衡的嵌入更新可能导致关键信息的丢失，最终降低预测性能[18]。高效捕捉高阶时空依赖关系、融合异构数据以及降低计算成本仍然是部署动态超网进行大规模预测任务的关键挑战。虽然大多数现有的动态超网模型主要强调全局动态超网构建和同步的时空聚合，但在从信息传播和聚合的角度提高动态高阶依赖关系建模的效率和灵活性方面关注较少。
为了解决这些问题，我们提出了一种分层异步动态超图神经网络（HA-DHN），以联合建模复杂的结构关系、时间演变和异构股票信息。
本研究做出以下贡献：
- •
通过整合静态和动态市场信息构建动态超图序列，并引入时间衰减因子。技术指标和情感指标通过图节点表示法进一步编码为超图中的节点属性。
- •
基于节点结构重要性和超边连接性进行分层采样和多尺度聚合，有效提取信息丰富的局部嵌入，同时保留动态超图中的关键结构模式。
- •
双通道异步聚合模块分别捕获技术和情感嵌入，随后通过通道注意力进行跨领域信息融合。
