这篇论文《STOCK PRICE PREDICTION USING A HYBRID LSTM - GNN MODEL: INTEGRATING TIME - SERIES AND GRAPH - BASED ANALYSIS》发表于arXiv，作者提出了一种结合长短期记忆网络（LSTM）和图神经网络（GNN）的混合模型，以提高股票市场预测的准确性。 1. 研究背景：股票市场复杂多变，受多种因素影响，准确预测股价对投资者等至关重要。传统统计方法难以捕捉金融数据中的复杂模式和关系，而深度学习模型，如LSTM在处理时间序列数据方面有优势，但仅依赖时间序列数据无法充分利用所有信息，GNN可用于建模股票间的关系数据。 2. 文献综述：总结了传统方法在股票市场预测中的不足，以及机器学习和深度学习方法的优势与挑战。还探讨了数据获取面临的问题、不同机器学习方法在金融预测中的应用，以及当前研究存在的挑战，如模型集成、数据处理、可解释性、可扩展性和实时适应性等。 3. 研究方法：从Kaggle通过YFinance API获取10只股票2005年1月1日至2023年12月31日的数据，对LSTM和GNN分别进行特征工程，使用Min - Max Scaling对数据进行预处理。构建股票关系图，确定图中节点和边的表示方式。介绍LSTM和GNN组件的架构及训练过程，将两者输出集成，采用扩展窗口验证策略训练模型。 4. 实验结果：在高性能平台上进行实验，使用MSE作为评估指标。结果显示，混合模型在预测准确性上表现出色，MSE为0.00144，比单独的LSTM模型降低了10.6%，优于其他基线模型，且在不同股票上表现稳健。扩展窗口验证策略对模型适应市场变化有重要作用，通过超参数调优确定了最佳模型配置。 5. 讨论：该模型结合LSTM和GNN的优势，通过扩展窗口训练提高了适应性，在不同股票上表现良好。但模型存在计算复杂度高、对超参数敏感、数据存在局限性等问题。该模型对实时交易和金融分析有重要意义，可用于多种策略，未来可从提高计算效率、扩展数据来源和模型应用范围等方面改进。 6. 研究结论：混合LSTM - GNN模型在股票价格预测方面显著优于传统模型，证明了结合时间序列和关系数据的有效性。未来研究可探索纳入更多数据、优化模型架构和扩展模型应用范围。

Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis