[論文レビュー] Dynamic graph neural networks for enhanced volatility prediction in financial markets

Pulikandala Nithish Kumar, Nneka Umeorah+1 more|arXiv (Cornell University)|Oct 22, 2024

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本稿では、グローバル金融市場を動的グラフとしてモデル化することで、ボラティリティ予測を改善する時系列グラフ自己注意ネットワーク（Temporal GAT）を提案する。ボラティリティ伝播インデックスと自己注意メカニズムを統合することで、インデックス間の非線形的かつ時間変動する依存関係を捉え、GARCHモデルや他の機械学習モデルと比較して、短期から中期の予測においてMAPEおよびMSEが低く、顕著に優れた性能を発揮する。

ABSTRACT

Volatility forecasting is essential for risk management and decision-making in financial markets. Traditional models like Generalized Autoregressive Conditional Heteroskedasticity (GARCH) effectively capture volatility clustering but often fail to model complex, non-linear interdependencies between multiple indices. This paper proposes a novel approach using Graph Neural Networks (GNNs) to represent global financial markets as dynamic graphs. The Temporal Graph Attention Network (Temporal GAT) combines Graph Convolutional Networks (GCNs) and Graph Attention Networks (GATs) to capture the temporal and structural dynamics of volatility spillovers. By utilizing correlation-based and volatility spillover indices, the Temporal GAT constructs directed graphs that enhance the accuracy of volatility predictions. Empirical results from a 15-year study of eight major global indices show that the Temporal GAT outperforms traditional GARCH models and other machine learning methods, particularly in short- to mid-term forecasts. The sensitivity and scenario-based analysis over a range of parameters and hyperparameters further demonstrate the significance of the proposed technique. Hence, this work highlights the potential of GNNs in modeling complex market behaviors, providing valuable insights for financial analysts and investors.

研究の動機と目的

• 従来のGARCHモデルが、グローバル金融インデックス間の複雑な非線形的相関関係を捉えきれていないという限界を是正すること。
• インデックスをノードとし、それらのボラティリティ関係を重み付き有向エッジとして持つ動的グラフとして金融市場をモデル化すること。
• 新規のGNNアーキテクチャを用いて時系列的および構造的ダイナミクスを活用することで、短期および中期のボラティリティ予測の精度を向上させること。
• 相関に基づく手法とボラティリティ伝播インデックスを用いたグラフ構築法の違いがモデル性能に与える影響を評価すること。
• 特にCOVID-19パンデミックのような高ボラティリティ期を含む、さまざまな市場環境下でのモデルのロバストネスを評価すること。

提案手法

• 8つの主要なグローバルインデックス間の相互依存関係を表現するために、ボラティリティ伝播インデックスと相関行列を用いて動的かつ有向グラフを構築する。
• グラフ畳み込みネットワーク（GCN）とグラフ自己注意ネットワーク（GAT）を組み合わせた、時系列グラフ自己注意ネットワーク（Temporal GAT）を採用し、時間経過に伴う局所的およびグローバルなノード関係をモデル化する。
• 自己注意メカニズムを用いて、ボラティリティ予測における隣接インデックスの重要性を動的に重み付けし、市場状況の変化に適応する。
• 15年間の主要グローバルインデックスの日次終値データを用いてモデルを学習し、ボラティリティは高周波実現測定値を用いて推定する。
• 予測期間（1日、5日、10日、22日）に応じたモデル性能最適化のため、ハイパーパramータチューニングと交差検証を実施する。
• 1つのインデックスを除いて残りのインデックスでモデルを再構築するリーブ・ワン・アウト感度分析を実施し、個々のインデックスが全体の予測精度に与える寄与度を評価する。

実験結果

リサーチクエスチョン

• RQ1 動的グラフニューラルネットワークアーキテクチャは、従来のGARCHモデルに比べ、短期および中期のボラティリティ予測において優れた性能を示せるか？

主な発見

• Temporal GATモデルは、GARCH、GNN、その他の機械学習ベースラインと比較して、特に短期～中期の予測（1～10日予測期間）において顕著に低い平均絶対誤差率（MAPE）を達成した。
• モデルは全予測期間にわたり高い性能を維持し、長期予測（5日、10日、22日）ではMAPEが13％～30％の範囲に安定したが、GDAXI や FCHI のようなインデックスはボラティリティの高い時期に高い誤差を示した。
• ボラティリティ伝播インデックスは相関に基づくグラフ構築法を上回り、ショックの伝播をより効果的に捉え、予測精度を向上させた。
• S&P 500 および DAX は市場ボラティリティの主要な駆動要因と特定され、これらのインデックスを除外するとモデル性能が著しく低下したが、HANG SENG のようなインデックスはスプライル効果が弱く、ノイズをもたらした。
• COVID-19パンデミック期においても、Temporal GATは従来モデルに比べ優れた正確性を維持し、極端な市場ストレス下でも耐性を示した。
• 急激なショックや不確実性の増加に伴い、高ボラティリティ期では予測誤差が高くなったことから、モデルの性能は市場の制度移行に敏感であることが示された。