[論文レビュー] Exploiting Supply Chain Interdependencies for Stock Return Prediction: A Full-State Graph Convolutional LSTM

Chang Liu|arXiv (Cornell University)|Mar 7, 2023

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本稿では、価値連鎖をグラフ構造で表現することでサプライチェーンの相互依存関係を活用し、株式リターン予測を改善するLSTM-GCNモデルを提案する。空間的依存関係を捉えるためにグラフ畳み込みネットワーク（GCN）を、時間的ダイナミクスをモデル化するためにLSTMを組み合わせることで、Eurostoxx 600およびS&P 500の両データセットにおいて、予測精度が優れ、顕著な超過リターンを達成する。

ABSTRACT

Stock return prediction is fundamental to financial decision-making, yet traditional time series models fail to capture the complex interdependencies between companies in modern markets. We propose the Full-State Graph Convolutional LSTM (FS-GCLSTM), a novel temporal graph neural network that incorporates value-chain relationships to enhance stock return forecasting. Our approach features two key innovations: First, we represent inter-firm dependencies through value-chain networks, where nodes correspond to companies and edges capture supplier-customer relationships, enabling the model to leverage information beyond historical price data. Second, FS-GCLSTM applies graph convolutions to all LSTM components - current input features, previous hidden states, and cell states - ensuring that spatial information from the value-chain network influences every aspect of the temporal update mechanism. We evaluate FS-GCLSTM on Eurostoxx 600 and S&P 500 datasets using LSEG value-chain data. While not achieving the lowest traditional prediction errors, FS-GCLSTM consistently delivers superior portfolio performance, attaining the highest annualized returns, Sharpe ratios, and Sortino ratios across both markets. Performance gains are more pronounced in the denser Eurostoxx 600 network, and robustness tests confirm stability across different input sequence lengths, demonstrating the practical value of integrating value-chain data with temporal graph neural networks.

研究の動機と目的

• 従来の価格データを超えてサプライチェーンの相互依存関係を組み込むことで、株式リターン予測を改善すること。
• サプライヤー・カスタマー関係に基づくグラフ畳み込みネットワーク（GCN）を用いて、企業間の空間的依存関係をモデル化すること。
• 長短記憶（LSTM）ネットワークを用いて、リターン系列における時間的ダイナミクスを捉えること。
• 予測誤差およびポートフォリオ収益性の観点から、ベースラインモデルと比較して本モデルのパフォーマンスを評価すること。
• さまざまなローリングウィンドウ長さにおいて、本モデルの予測力の頑健性を評価すること。

提案手法

• ノードが企業を表し、エッジが価値連鎖データからのサプライヤー・カスタマー関係を表すグラフを構築する。
• 各企業を表すために、歴史的株価リターンから得られるノード特徴量を用いる。
• グラフ畳み込みネットワーク（GCN）を適用し、グラフからの空間的依存関係およびトポロジー構造を抽出する。
• ノード特徴量の時間的変化をモデル化し、リターン系列における長期的依存関係を捉えるためにLSTMネットワークを統合する。
• GCNとLSTMを統合した統一アーキテクチャ（LSTM-GCN）を構築し、空間的および時間的パターンを同時にモデル化する。
• 平均絶対誤差（MAE）および平均二乗誤差（MSE）を損失関数として用い、エンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 グラフ構造を用いてサプライチェーンの相互依存関係をモデル化することで、株式リターン予測の精度が向上するか？
• RQ2 GCNとLSTMの統合は、金融データにおける空間的および時間的依存関係を捉える点で、単独のモデルを上回るか？
• RQ3 LSTM-GCNモデルは、シミュレーテッド市場ニュートラルなトレーディング戦略において経済的に有意な超過リターンを生成できるか？
• RQ4 異なる市場インデックスおよびローリングウィンドウ長さにおいて、本モデルの予測性能は頑健か？
• RQ5 統計的検定によって、単純な平均予測ベースラインを上回る性能が有意に得られているか？

主な発見

• Eurostoxx 600データセットにおいて、LSTM-GCNモデルはMAE（7.1993 × 10⁻⁴）とMSE（1.6607 × 10⁻²）が最低となり、すべてのベースラインを上回った。
• S&P 500では、年間リターン（5.8904%）とシャープレシオ（0.5345）が最高となり、リスク調整後のパフォーマンスが優れていた。
• バックテストされた市場ニュートラル戦略において、累積リターンおよびソリティーノ比が最高となり、経済的意義が示された。
• 頑健性テストの結果、Eurostoxx 600では50日、60日、70日、80日ローリングウィンドウにおいてR²が有意に0より大きい（p < 0.001）ことが判明した。
• S&P 500では50日および60日ローリングウィンドウにおいてR²が有意に0より大きく、p値はそれぞれ2.569 × 10⁻⁷および7.286 × 10⁻¹⁰であった。
• 平均予測ベースラインを上回る有意な性能が得られたことから、本モデルの予測力がランダムな偶然を越えて有効であることが確認された。