[論文レビュー] Exploring Graph Neural Networks for Stock Market Predictions with Rolling Window Analysis

Daiki Matsunaga, Toyotaro Suzumura+1 more|arXiv (Cornell University)|Sep 23, 2019

Stock Market Forecasting Methods被引用数 57

ひとこと要約

本論文は、企業知識グラフを用いたグラフニューラルネットワークを評価し、日経225の株価を予測する。ローリングウィンドウバックテストを用いてLSTMおよびベンチマークと比較し、全体と特定のリレーションタイプで顕著な利得を示す。

ABSTRACT

Recently, there has been a surge of interest in the use of machine learning to help aid in the accurate predictions of financial markets. Despite the exciting advances in this cross-section of finance and AI, many of the current approaches are limited to using technical analysis to capture historical trends of each stock price and thus limited to certain experimental setups to obtain good prediction results. On the other hand, professional investors additionally use their rich knowledge of inter-market and inter-company relations to map the connectivity of companies and events, and use this map to make better market predictions. For instance, they would predict the movement of a certain company's stock price based not only on its former stock price trends but also on the performance of its suppliers or customers, the overall industry, macroeconomic factors and trade policies. This paper investigates the effectiveness of work at the intersection of market predictions and graph neural networks, which hold the potential to mimic the ways in which investors make decisions by incorporating company knowledge graphs directly into the predictive model. The main goal of this work is to test the validity of this approach across different markets and longer time horizons for backtesting using rolling window analysis. In this work, we concentrate on the prediction of individual stock prices in the Japanese Nikkei 225 market over a period of roughly 20 years. For the knowledge graph, we use the Nikkei Value Search data, which is a rich dataset showing mainly supplier relations among Japanese and foreign companies. Our preliminary results show a 29.5% increase and a 2.2-fold increase in the return ratio and Sharpe ratio, respectively, when compared to the market benchmark, as well as a 6.32% increase and 1.3-fold increase, respectively, compared to the baseline LSTM model.

研究の動機と目的

• 株価予測における企業間および市場間の関係を捉える知識グラフの活用を動機づける。
• ローリングウィンドウバックテストを用いて、マーケットを跨ぐ長期的な時間軸でグラフニューラルネットワークの一般化性能を評価する。
• 異なる知識グラフのリレーションタイプが株価の予測精度に与える影響を評価する。
• 将来リターンの回帰を目的とした時系列グラフニューラルネットワークのエンドツーエンド訓練を検討する。

提案手法

• 過去の価格データを処理するLSTM から導出されたノード特徴を用いたGraph Convolutional Networks (GCN) を使用する。
• 隣接ノードの寄与をドット積に基づくリレーション強度で重み付けすることで時系列ダイナミクスを組み込む（式3）。
• 第一次・第二次の企業関係（supplier, customer, partner, shareholder, common-industry, common-customer, common-supplier）から7つの隣接行列を構築し、全タイプの隣接行列A（K リレーションタイプ）をテストする。
• 約20年分のデータに対してローリングウィンドウ分析を適用（train 2000 timesteps, test 200 timesteps, slide window）。
• エンドツーエンドで訓練し、最終的な回帰ヘッドと共にRNN（LSTM）と時系列グラフ畳み込み層を共同最適化する。
• Buy-Holdおよびベースラインに対して、年次リターン比率とSharpe比で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 異なる市場や長期的な時間軸にわたって、企業関係の知識グラフデータセットは株価予測に有用か。
• RQ2 動的リレーション強度を用いた時系列グラフ畳み込みは、静的グラフを超える予測性能をもたらすか。
• RQ3 日経225の文脈で、どのリレーションタイプ（例: customer-of, supplier-of, common-supplier）が予測精度を最も向上させるか。
• RQ4 ローリングウィンドウの下で、RNN + GCN アーキテクチャのエンドツーエンド訓練は標準的なLSTMや市場ベンチマークを上回るか。

主な発見

• すべてのグラフベースモデルは、Buy-Holdベンチマークをリターン比率とSharpe比で上回る。
• 全リレーションのグラフが、テストしたグラフの中で最も良い性能を示す（Return Ratio 29.95%, Sharpe 0.37）。
• customer-of リレーションは独立して予測を改善し（Return 27.52%, Sharpe 0.35）、一部の指標でLSTMを上回る。
• LSTM は、Nikkei 225 データに対して Sharpe およびリターンで、特定のグラフタイプ（例: customer-of, all）に劣る。
• 2次・多リレーショングラフはスパース性を緩和し、長期的な時間軸での一般化性能を向上させる。