Xiang et al. (2023) — THGNN for Stock Price Direction
大白话：THGNN 把 Transformer（时间编码）和图注意力网络 GAT（关系编码）叠在一起，用来预测美股次日涨跌方向，准确率 57.9%，在夏普、Calmar、信息比率上都优于单用 Transformer、单用 GAT、GRU、LSTM 等基线。
作者：Shiwan Xiang, et al.
出处：在 Fanshawe Masih Cameron 2025 THGNN Correlation Forecasting 中被引用（该论文将其引用为 Xiang et al. 2022 / 2023——源论文存在 bibtex 不一致）。
贡献
最初的 Temporal-Heterogeneous GNN（THGNN） 架构：Transformer 时间编码器 + GAT 关系编码器，用于美股的次日股价方向分类。报告 57.9% 的准确率，以及优于纯 Transformer、纯 GAT、GRU、LSTM 和若干混合基线的夏普 / Calmar / 信息比率。
这正是 Fanshawe Masih Cameron 2025 THGNN Correlation Forecasting 所采用并扩展的架构。THGNN 相关论文中的关键扩展：
| 维度 | Xiang et al. (2023) | Fanshawe et al. (2025) |
|---|---|---|
| 任务 | 次日价格方向 | 10 日相关性残差 |
| Transformer 层数 | 1 层自注意力 | 4 层 pre-norm |
| Transformer 头数 | （单头） | 8 头，d_k=16 |
| 序列长度 | 20 个交易日 | 30 个交易日 |
| GAT 层数 | 1 | 3 |
| GAT 头数 | （单头） | 4 头 |
| 边属性 | 行业代码 | corr、\lvert\mathrm{corr}\rvert、符号、行业、子行业、关系类别 |
| 输出 | 二元涨跌 | 每对的 Fisher-z 残差 |
| 损失 | 交叉熵 | Huber + 高斯软分箱直方图 |
| 可解释性 | 注意力权重 | Gradient × Input + 注意力 |
对本 wiki 的重要性
- 这是相关性预测论文的架构前身。没有 Xiang et al.，「时间 + 关系」联合结构就不会被确立为金融领域可行的建模范式。
- 它还验证了Transformer + GAT 堆叠优于纯 Transformer、纯 GAT、GRU、LSTM（美股预测上）——这正是 Fanshawe Masih Cameron 2025 THGNN Correlation Forecasting 继承的对比结论。