量化交易和投资决策是复杂的金融任务，依赖于准确的股票选择。尽管深度学习在复杂和高度随机的股票预测问题上取得了显著进展，但依然面临两个显著的局限性。他们没有直接从收益角度优化投资目标，而是把每只股票视为相互独立的，忽略了相关股票价格动态之间的丰富信号。基于这些局限性，我们将股票预测重新定义为一个学习排序问题，并提出STHAN-SR模型，一种用于股票选择的神经超图结构。我们工作的关键是通过超图与Hawkes注意力机制构建了一种新的时空注意超图网络结构，这种结构能够考虑到股票间的复杂关系。利用这个模型，我们可以在对股票排序进行预测的同时考虑到股票间的关系及股价的动态变化。通过对三个市场超过6年的数据进行的实验，表明STHAN-SR显著优于最先进的神经股票预测方法。我们通过对STHAN-SR的空间和时间成分的探索性分析来验证我们的设计选择，并证明了其实际适用性。
在金融商贸领域，深度学习已被广泛应用到股票预测中，但仍然存在一些局限性。传统的深度学习模型往往将每只股票视为孤立的实体，忽视了股票之间的相关性和价格动态的交互影响。"Stock Selection via Spatiotemporal Hypergraph Attention Network"这篇论文针对这些问题提出了一个新的模型——STHAN-SR（Spatiotemporal Hypergraph Attention Network for Stock Ranking），它将股票预测重新定义为一个学习排名的问题。
STHAN-SR的核心在于引入了超图结构和时空注意力机制。超图是一种能够捕捉复杂非对称关系的数据结构，它可以有效地表示股票之间的相互依赖性。通过超图，模型能够理解和处理股票之间的非线性关系，而不仅仅局限于简单的线性关联。此外，结合Hawkes过程的注意力机制，STHAN-SR能够考虑股票价格随时间演变的动态性，这有助于捕捉市场中的突发事件和趋势变化。
论文中提到的时空注意力超图网络架构，可以同时处理空间（即股票之间的关系）和时间（即价格变化序列）信息。这种架构使得模型在预测股票排序时，不仅考虑单只股票的表现，还能综合分析整个市场的动态，从而提高预测的准确性。通过在三个不同市场的六年数据上进行实验，STHAN-SR展示出了显著优于现有神经股票预测方法的性能。
为了进一步验证模型的有效性，作者进行了探索性分析，包括对STHAN-SR的空间和时间组件进行消融研究，以证明每个部分对于整体性能的重要性。这些分析结果证明了STHAN-SR在理论上的创新性和实际应用中的实用性。
总结来说，这篇研究工作通过构建超图注意力网络，弥补了深度学习在股票预测领域的不足，提升了对股票相关性和动态变化的建模能力，从而提高了量化交易和投资决策的精准度。STHAN-SR模型的成功应用，为金融市场的智能分析和自动化交易提供了新的思路和技术支持。
