MASTER: Market-Guided Stock Transformer for Stock Price Forecasting

股票价格预测因股市高波动性而成为几十年来一直存在的极具挑战性的问题。最近的研究致力于对复杂的股票相关性进行建模，以实现联合股票价格预测。现有的研究共享一个神经网络架构，该架构从个体股票系列中学习时间模式，然后混合时间表示以建立股票相关性。然而，它们只考虑来自所有输入股票特征的时间对齐的股票相关性，这存在两个限制。首先，股票相关性通常是瞬时的和跨时间的。其次，特征的有效性随着市场变化而动态变化，这影响了股票的顺序模式和它们的相关性。为了解决这些限制，本文介绍了MASTER，一种市场引导的股票转换器，用于建模瞬时和跨时间的股票相关性，并利用市场信息进行自动特征选择。MASTER通过交替进行股票内部和股票间信息聚合来优雅地解决复杂的股票相关性。实验表明，MASTER相对于以前的工作具有优越性，并可视化捕获到的现实股票相关性，提供有价值的见解。

解决问题：论文试图解决如何有效预测股票价格的问题。

关键思路：论文提出了MASTER模型，通过交替进行股票内部和股票间信息聚合，建模瞬时和跨时间股票相关性，并利用市场信息进行自动特征选择。

其他亮点：论文在实验中展示了MASTER模型相对于现有方法的优越性，并提供了可视化的股票相关性图表，为股票市场提供了有价值的见解。

相关研究：最近的相关研究包括但不限于：'Deep Learning for Stock Prediction: A Comparative Study'，'A Deep Learning Framework for Financial Time Series using Stacked Autoencoders and Long-Short Term Memory'，'Stock Price Forecasting Using Information from Yahoo Finance and Google Trend'等。