传统的股票预测方法大多基于时间序列模型，忽视了股票之间复杂的关系，并且该关系往往超出成对连接，例如同行业板块内股票或者基金持仓多支股票。针对该问题，提出一种基于时序超图卷积神经网络（HGCN）的股价走势预测方法，根据金融投资事实构造超图模型以拟合股票之间的多元关系，该模型包括两大组件：门控循环单元（GRU）网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模，捕捉长期依赖关系；HGCN建模股票间的高阶关系以学习内在关系属性，从而将股票间多元关系信息引入到传统的时序建模中，进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明，相较于已有的股票预测方法，所提模型预测性能有所提升；如与GRU网络相比，所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%，且更具有稳定性。此外，模拟回测结果显示，基于该模型的交易策略更具获利能力，年回报率达到11.30%，与长短期记忆（LSTM）网络相比提高了5个百分点。
