金融网络分析——node embedding

不同类型网络 node embedding

1. 节点类型单一，边无属性

在这种类型的网络里，所有的节点类型是相同的，节点之间的边代表着节点与节点的关系，并没有其他属性。

网络类型代表：社交网络

在这种类型的网络里，利用node embedding抽取节点的隐形特征向量能够较好的保存原始数据中的大部分信息。

node embedding大致步骤：

1. 利用random walk生成节点序列
2. 找到相似节点
3. 放进神经网络里进行多分类

4. 将分类层扔掉，从上一层获取到节点的特征向量

   
   

2. 节点两类，边具有属性

在这种类型的网格里，所有的节点分为两类，节点与节点的关系只存在于不同类型的节点之间，边具有特定的属性，例如时间属性，数量属性等。

网络类型代表：金融投资网络

在这种类型的网络里，利用原先的node embedding的方法抽取节点的隐形特征向量可能会损失很大一部分的信息。因此，上面的node embedding的方法不能很好地应用到此类网络中。

投资图的node embedding

《learning node embeddings in interaction graphs》这篇论文研究了如何将投资图这样的二分网络进行node embedding

image.png

如上图所示，该网络是一个用户-股票的二分网络，网络中一种类型的节点是用户（投资者），另一种类型的节点是股票。节点之间的边的属性包括了bors（买进或是卖出），price（价格），amount（数量）等。

对于二分网络，根据时间顺序对两种不同类型的节点分别生成节点序列

预测建模大致步骤：

1. 对于每一个投资者， 根据时间顺序，生成节点序列，并找到相似节点

2. 对每一只股票，根据时间顺序生成节点序列，并找到相似节点

   
   
3. 简化节点序列，即抛掉时间和属性

4. 对简化后的两种类型的节点序别分别作node embedding

5. 将进行了node embedding之后的投资者特征向量 x 和股票特征向量放在一起，对投资者是否会购买股票进行预测

   
   

完整方法

应用于四个不同的数据集，并与其它传统的方法相比较，得到的结果如下：