今天学习了基于·RSR算法预测股票
Relational Stock Ranking (RSR)，用于股票预言。RSR 方法在两个主要方面改进了现有的解决方案：1) 为股票排名定制深度学习模型，2) 以时间敏感的方式捕捉股票关系。
Sequential Embedding Layer顺序嵌入层。考虑到股票市场具有很强的时间动态性，可以直观地将股票的历史状态视为预测其未来走势的最有影响的因素。因此，我们首先应用顺序嵌入层来捕获历史数据中的顺序依赖关系。
Relational Embedding Layer. 关系嵌入层。我们现在考虑如何对不同股票之间的影响进行建模，尤其是那些具有显式关系的股票。它可以被视为将明确的领域知识（即股票关系）注入到数据驱动的顺序嵌入学习方法中。
? 如果两家公司属于同一部门或行业，它们的股价可能会呈现相似的趋势，因为它们往往会受到相似的外部事件的影响。两个股票MSFT和 GOOGL，它们都属于同一部门（技术）和行业（计算机软件）
.? 如果两家公司是供应链的合作伙伴，那么上游公司的事件可能会影响下游公司的股价。
Prediction Layer预测层。 最后，我们将顺序嵌入和修改后的关系嵌入提供给全连接层，以预测每只股票的排名； 然后根据预测分数生成推荐购买的股票排名列表。 为了优化模型，我们提出了一个目标函数，它结合了逐点回归损失和成对排名感知损失
