[論文レビュー] GraphCNNpred: A stock market indices prediction using a Graph based deep learning system

Yuhui Jin|arXiv (Cornell University)|Jul 4, 2024

Stock Market Forecasting Methods被引用数 6

ひとこと要約

この研究は Graph Neural Networks を CNNpred と統合し、主要株価指数の傾向を予測し、ベースラインに対して4–15%のF-measure向上を達成し、シャープ比3超のトレーディングシミュレーションを可能にする。

ABSTRACT

The application of deep learning techniques for predicting stock market prices is a prominent and widely researched topic in the field of data science. To effectively predict market trends, it is essential to utilize a diversified dataset. In this paper, we give a graph neural network based convolutional neural network (CNN) model, that can be applied on diverse source of data, in the attempt to extract features to predict the trends of indices of ext{S}\& ext{P} 500, NASDAQ, DJI, NYSE, and RUSSEL. The experiments show that the associated models improve the performance of prediction in all indices over the baseline algorithms by about $4\% ext{ to } 15\%$, in terms of F-measure. A trading simulation is generated from predictions and gained a Sharpe ratio of over 3.

研究の動機と目的

• 多様なデータソースを活用した株価指数予測の改善を動機付ける。
• 日次および長期的特徴を抽出するためのグラフ- CNNハイブリッドモデル（GAT/GCN + CNNpred）を提案する。
• 主要な指数全体で予測性能を評価し、CNNpredベースラインおよび純粋なグラフ法と比較する。
• シミュレートされたポートフォリオでSharpe比とCEQを用いて取引の実行可能性を示す。

提案手法

• 138個の特徴をノードとし、相関が0.7を超える場合にエッジを持つ特徴相関グラフを構築する。
• 相関特徴間の情報拡散のために Graph Attention Network (GAT) または Graph Convolutional Network (GCN) レイヤを使用する。
• CNNpred風の長期的特徴抽出をCNNレイヤで取り入れ、時間的パターンを捉える。
• グラフ特徴とCNN特徴をプーリング（平均、最大、または全結合）で統合し、予測の最終表現を形成する。
• 短期リターンのために二値(0,1) または 0/1/2 ラベリング方式で訓練し、確率にはシグmoid最終層、マルチクラス出力には softmax/CEQ を用いる。
• 0/1ラベリングにはマクロF-measureで評価し、0/1/2ラベリングにはトレーディング指標（Sharpe、CEQ）で評価する。

実験結果

リサーチクエスチョン

• RQ1 CNNpred単独および純粋なグラフ法よりも、CNNpredとグラフベースの統合は短期株価指数のトレンド予測を改善できるか。
• RQ2 異なるグラフプーリング戦略とGNNのバリエーション（GAT対GCN）が主要指数全体の予測性能にどのように影響するか。
• RQ3 複数の指数に対して予測が長期/短期戦略を駆動する場合の取引性能（Sharpe、CEQ）はどの程度か。

主な発見

Strategy	S&P 500	DJI	NASDAQ	NYSE	RUSSEL
2D-CNNpred	0.5408	0.5562	0.5521	0.5472	0.5463
3D-CNNpred	0.5532	0.5612	0.5576	0.5592	0.5787
GAT	0.5740	0.5495	0.5523	0.5544	0.5702
GCN	0.5310	0.5791	0.5590	0.5405	0.5574
GAT-CNNpred	0.5819	0.5861	0.5775	0.5907	0.5815
GCN-CNNpred	0.5866	0.5885	0.5741	0.5767	0.5954

• GCN-CNNpred および GAT-CNNpred は、平均 F-measure においてCNNpredベースラインおよび純粋なグラフベースラインを一貫して上回る。
• 最良の単一指数結果（Table 1）は、いくつかの指数で最高のF-measureを達成するGCN-CNNpredを示す（例：S&P 500: 0.5866; NASDAQ: 0.5885; NYSE: 0.5767; RUSSELL: 0.5954）。
• Graph-based variants with CNN integration yield significant improvements (4% to 15% in F-measure) over baselines.
• The models enable trading simulations with Sharpe ratios above baseline strategies, indicating practical trading viability.
• Pooling choices (mean, max, fully connected) are evaluated and selected based on performance, contributing to robust predictions.