论文原址：https://www.aaai.org/AAAI21Papers/AAAI-7907.SawhneyR.pdf
这几年研究把深度学习应用到量化交易和传统投资决策的论文并不少，但都有2个问题：
- They do not directly optimize the target of investment in terms of profit
- and treat each stock as independent from the others, ignoring the rich signals between related stocks’ temporal price movemen
为了解决这些问题，作者提出了一种叫 STHAN-SR 的超图神经网络。并通过对美3大交易所最近6年的数据，证明这个网络在当前所有股票预测算法里面是最优的
Introduction
美股市场，68万亿，19年
forecasting：预测
highly volatile and non-stationary nature – 股票市场具有很强的波动性
synergy 协同
当前主流的股票预测算法，最大的弊端就是不以投资收益为优化目标。因为这些算法，要么是基于回归来预测价格，要么基于分类来做交易决策，这种分类和回归的优化目标是为了提高股票价格走向的准确性或最小化预测股票收益的误差，而不一定是为了直接利润
（有什么不一样吗？？一脸懵比）
第二个弊端就是不考虑股票之间的相关性，总是把这些股票作为独立的个体来分析，或者使用一个过于简化的股票市场模型，一个由单个股票之间的成对关系组成的图表，但在现实中，这与真正的市场是相反的