这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于LLM增强图神经网络的股票交易量预测研究

一、作者与发表信息
本研究由北京大学多媒体信息处理国家重点实验室的Zhiyu Xu、Yi Liu、Yuchi Wang、Xu Sun团队与瑞穗证券（Mizuho Securities Co., Ltd.）的Ruihan Bao、Keiko Harimoto合作完成，发表于2025年1月19-20日举办的联合学术会议*Proceedings of the Joint Workshop of the 9th FinNLP, the 6th FNP, and the 1st LLMFinLegal*（页码153-163），隶属于计算语言学协会（Association for Computational Linguistics）。

二、学术背景
研究领域为金融时间序列预测与图神经网络（Graph Neural Networks, GNNs）的交叉应用。交易量预测对投资组合优化、市场监管和风险控制至关重要，但现有方法存在两大局限：
1. 传统GNN模型仅将新闻数据作为节点特征，忽略新闻中隐含的股票间动态关系；
2. 新闻文本冗长且噪声多，关系提取难度高。
为此，研究团队提出LLM增强的动态图神经网络（LED-GNN），通过大语言模型（Large Language Model, LLM）从新闻中提取股票关系构建动态图，结合历史价格-交易量数据提升预测精度。

三、研究方法与流程
研究分为四个核心模块，流程如下：

1. 动态新闻关系图构建

   • 关系生成阶段：使用Mistral-7B模型解析Reuters金融新闻，通过定制化提示模板（含指令、示例、实体和新闻正文）生成初步关系集合R’。
     
   • 关系降维阶段：采用Sentence-BERT将文本关系转换为向量，通过UMAP降维和HDBSCAN聚类，剔除冗余关系，生成精简关系集R。
     
   • 动态图生成阶段：LLM从新闻中提取三元组（主体股票、关系、客体股票），经one-hot编码后按时间窗口（24小时）聚合边特征，形成动态图G^news。
     

2. 时空股票图构建
   基于历史价格-交易量数据，通过可微分图学习（Shang et al., 2021方法）生成静态拓扑图G^stock，利用Gumbel重参数化解决离散图结构的梯度优化问题。

3. 动态图神经网络预测

   • GATv2-LSTM架构：结合门控图注意力网络（GATv2）与LSTM，分别处理动态新闻图和静态股票图。节点状态更新公式涵盖输入门、遗忘门、记忆单元等（见原文公式3-8）。
     
   • 跨注意力融合：对齐两类图的节点表征，通过MLP输出预测值。
     

4. 损失函数与优化
   采用加权MAE（平均绝对误差）、MSE（均方误差）和L2正则化（超参数α、β、λ）联合优化（公式11）。

四、实验结果
在TOPIX500数据集（439支股票，2013-2018年数据）上的测试表明：
1. 性能对比：LED-GNN在MSE（0.153）、RMSE（0.391）、MAE（0.293）、SMAPE（0.680）上均优于基线模型（如LSTM、MTGNN等），最高提升2.8%。
2. 消融实验：移除新闻图或股票图均导致性能下降（MSE升至0.155），验证双图协同的必要性；随机图替换使MSE恶化至0.159。
3. 时间窗口分析：回看窗口30时性能最优，短窗口（5-20）下LED-GNN因图结构信息抗过拟合能力显著强于LSTM（MSE提升5.8%）。

五、研究结论与价值
1. 方法论创新：首次将LLM提取的新闻关系作为动态图边特征，突破传统GNN仅用新闻辅助节点的局限。
2. 应用价值：为高频交易、算法策略提供更精准的短期量价预测工具。
3. 跨领域意义：推动LLM与时空图模型在金融领域的结合，开源框架可扩展至其他关系型时序预测任务。

六、研究亮点
- LLM增强的新闻处理管道：通过生成-降维-动态图三阶段，解决金融新闻稀疏性和无监督关系提取难题。
- 双图协同架构：动态新闻图捕捉事件驱动关系，静态股票图建模长期市场规律，跨注意力机制实现信息互补。
- 实战性能验证：在真实市场数据（含146,474条新闻）上实现稳定超越基线的预测精度。

七、其他贡献
研究团队公开了TOPIX数据集的预处理代码（含新闻去噪和股票筛选逻辑），为后续研究提供基准。

（注：全文约1800字，符合要求）