摘要：教育信息化的发展为促进教学内容多样化提供了更多方案，为了丰富程序化交易课堂的内涵，对量化策略的探讨研究提出了新的案例教学方法。由于在股票趋势预测的任务中，公司股票的预测会受到相关联公司及多方面的隐形层面高管关系的影响。为了有效应对股票市场波动中的动量溢出效应，本文就高管因素的影响提出一个基于GRU多层图卷积的股票趋势预测及智能量化交易的模型，将其应用于实际课堂教学中充实课堂实例教学任务。该模型首先结合股票历史数据和市场媒体信息，然后用多层图卷积提取融合股票之间包含的显性公司间关系、高管间隐性关系等信息图的交叉效应进行趋势预测，最后通过强化学习进行策略训练。该模型不仅有效提高股票趋势预测的准确性，而且有效促进投资组合优化获益。在CSI100E和CSI300E数据集上实验，本文的模型与现有先进的方法进行了对比和分析。本文的模型分别得到61.09%和60.19%的准确率，而GCN分别得到52.18%和59.36%的准确率。通过分析得出本文模型的股票趋势预测有更准确的效果，加入了该预测值的智能投资决策也更有效。本研究的方法和实验结果为金融技术课程提供了实际案例，帮助学生理解复杂市场动态和量化交易策略。
文章目录
0 概述
1 相关工作
1.1 股票预测方法
1.2 图关系预测建模
1.3 强化学习量化交易
2 模型方法与实现
2.1 图关系趋势预测
2.1.1 特征融合与嵌入
2.1.2 层次关系建模
2.1.3 股票预测部分
2.2 深度强化学习量化交易
2.2.1 深度强化学习基础理论
2.2.2 Q-learning表示价值函数
2.2.3 PPO2方法理论
3 实验评价与分析
3.1 数据集
3.2 实验结果分析
4 结束语
