[論文レビュー] Multi-View Graph Convolutional Networks for Relationship-Driven Stock Prediction.

Jiexia Ye, Juanjuan Zhao+2 more|arXiv (Cornell University)|Jan 1, 2020

Stock Market Forecasting Methods被引用数 2

ひとこと要約

本稿では、ドメイン知識で定義されたグラフとデータ駆動型の適応的関係の両方を用いて、株価の相関関係をモデル化する、グラフ畳み込みネットワーク（GCN）に基づくフレームワーク、Multi-GCGRUを提案する。GCNで抽出した相関特徴と歴史的株価データをGRUを用いて統合することで、株価動向予測の精度を向上させる。中国株価インデックスを用いた実験により、ベースラインモデルを上回る優れた性能を示した。

ABSTRACT

Stock price movement prediction is commonly accepted as a very challenging task due to the volatile nature of financial markets. Previous works typically predict the stock price mainly based on its own information, neglecting the cross effect among involved stocks. However, it is well known that an individual stock price is correlated with prices of other stocks in complex ways. To take the cross effect into consideration, we propose a deep learning framework, called Multi-GCGRU, which comprises graph convolutional network (GCN) and gated recurrent unit (GRU) to predict stock movement. Specifically, we first encode multiple relationships among stocks into graphs based on financial domain knowledge and utilize GCN to extract the cross effect based on these pre-defined graphs. To further get rid of prior knowledge, we explore an adaptive relationship learned by data automatically. The cross-correlation features produced by GCN are concatenated with historical records and then fed into GRU to model the temporal dependency of stock prices. Experiments on two stock indexes in China market show that our model outperforms other baselines. Note that our model is rather feasible to incorporate more effective stock relationships containing expert knowledge, as well as learn data-driven relationship.

研究の動機と目的

• 既存の株価予測モデルが個別株価の履歴にのみ注目し、株価間の相関関係を無視するという限界を是正すること。
• 金融ドメイン知識を株価関係を表すグラフ構造に統合し、特徴抽出の精度を向上させること。
• 手動による特徴工学を減らすために、自動的に適応的でデータ駆動型の株価関係を学習すること。
• GCNで抽出した相関特徴と歴史的データを組み合わせることで、株価変動における時間的依存性をモデル化すること。
• 専門家が定義した関係とデータから学習した関係を統合できる柔軟なフレームワークを構築すること。

提案手法

• 金融ドメイン知識に基づいて複数の事前定義済みグラフを構築し、株価間の関係を表現する。
• グラフ畳み込みネットワーク（GCN）を用いて、これらの事前定義済みグラフから相関効果特徴を抽出する。
• エンド・トゥ・エンドで学習可能なメカニズムを用いて、データから適応的関係を学習し、株価相関の自動発見を可能にする。
• GCNで抽出した相関特徴と歴史的株価シーケンスを連結して、豊富な入力表現を構築する。
• 連結された特徴をゲート付き再帰ユニット（GRU）に供給し、株価変動における長期的時間的依存性をモデル化する。
• 全フレームワークをエンド・トゥ・エンドで学習させ、株価の方向性予測を最適化する。

実験結果

リサーチクエスチョン

• RQ1 株価間の事前定義済み金融的関係を組み込むことで、株価予測の正確性が向上するか？
• RQ2 固定されたドメインベースのグラフと比較して、データ駆動型の適応的関係学習メカニズムは予測性能をどの程度向上させるか？
• RQ3 GCNで抽出した相関特徴とGRUを統合することの、株価変動の時間的ダイナミクスモデル化への有効性はいかほどか？
• RQ4 提案されたMulti-GCGRUフレームワークは、実世界の金融データにおける株価方向予測で、既存のベースラインを上回るか？
• RQ5 このフレームワークは、専門家が定義した関係と学習された関係を統合する柔軟性をどの程度持っているか？

主な発見

• 提案されたMulti-GCGRUモデルは、中国の2つの株価インデックスにおいて、ベースラインモデルを上回る優れた性能を達成した。
• ドメイン知識に基づく関係とデータ駆動型の関係の両方を統合することで、予測精度が向上した。
• GCNの使用により、株価間の相関特徴を効果的に捉え、モデルの予測力が向上した。
• GRUモジュールは、GCNの出力と組み合わせることで、株価時系列における時間的依存性を効果的にモデル化した。
• 専門家知識とデータから学習したパターンを含む、多様な種類の株価関係を統合する可能性と有効性が示された。
• 実証的結果から、個別株価履歴に依存するモデルと比較して、株価間の相関効果を考慮することで、株価動向予測の精度が顕著に向上することが確認された。