[論文レビュー] Multivariate Realized Volatility Forecasting with Graph Neural Network

Qinkai Chen, Christian-Yann Robert|arXiv (Cornell University)|Dec 16, 2021

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本稿では、ボラティリティ予測のためのグラフトランスフォーマーネットワーク（GTN-VF）を提案する。これは、複数のソースからのクロスセクショナルおよび時間的関係を、グラフニューラルネットワーク（GNN）を用いて制限注文書（LOB）の特徴と統合する多変量モデルである。約500銘柄のS&P 500銘柄を対象に評価した結果、GTN-VFは、さまざまな予測期間において、単変量および多変量のベンチマークを著しく上回る性能を示した。

ABSTRACT

The existing publications demonstrate that the limit order book data is useful in predicting short-term volatility in stock markets. Since stocks are not independent, changes on one stock can also impact other related stocks. In this paper, we are interested in forecasting short-term realized volatility in a multivariate approach based on limit order book data and relational data. To achieve this goal, we introduce Graph Transformer Network for Volatility Forecasting. The model allows to combine limit order book features and an unlimited number of temporal and cross-sectional relations from different sources. Through experiments based on about 500 stocks from S&P 500 index, we find a better performance for our model than for other benchmarks.

研究の動機と目的

• 単変量アプローチを越えて、銘柄間の相関関係をモデル化することで、短期間の実現ボラティリティ予測を改善すること。
• 時間的およびクロスセクショナルの多様な関係データを統合し、一元的なボラティリティ予測フレームワークを構築すること。
• 無限の関係的ソースを扱えるスケーラブルなグラフベースのディープラーニングモデルを開発すること。
• ボラティリティ予測精度の向上に寄与する、異なる関係性の粒度（例：GICSセクター）の最適性を評価すること。
• 流動性の異なる銘柄におけるモデルのパフォーマンスの差異、およびノード接続性の影響を評価すること。

提案手法

• 本モデルは、制限注文書の特徴と複数のソースからの関係データを動的グラフとして処理するグラフトランスフォーマーネットワーク（GTN-VF）を用いる。
• ノードは個々の銘柄を表し、エッジはGICSセクター階層、特徴量の相関、および共動パターンといった複数の関係的ソースから構築される。
• グラフ構造は無限の関係をサポートでき、時間的およびクロスセクショナルの依存関係を柔軟に統合可能である。
• GNNにおけるメッセージパッシング機構により、各ノードは周囲のノードから情報を集約し、システミックリスクの伝播を捉えることができる。
• 本モデルは、時間的および関係的構造の両方における長距離依存関係を捉えるためにトランスフォーマーに基づくアーキテクチャを採用している。
• トレーニングは、グラフ構造データ上でマルチヘッドアテンションを用い、実現ボラティリティ予測のRMSPEを最小化することで実施される。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、制限注文書データと複数の関係的ソースを効果的に統合し、多変量の実現ボラティリティ予測を向上させることができるか？
• RQ2 クロスセクショナルおよび時間的関係を組み込むことで、単変量モデルと比較して予測精度がどの程度向上するか？
• RQ3 ボラティリティ予測の観点で、セクターベースの関係性の最適な粒度（例：業界 vs. サブインダストリー）は何か？
• RQ4 本モデルのパフォーマンスは、流動性の異なる銘柄で顕著に変化するか？
• RQ5 ノード接続性は予測精度にどのように影響するか？また、接続されたノードからの情報集約がモデルに与える利益は何か？

主な発見

• GTN-VFは、全テスト期間において、単変量および多変量のベンチマークを著しく上回る性能を示した。
• 流動性の高い銘柄ではRMSPEが2%改善され、流動性の低い銘柄では最大で8%改善された。
• 業界レベルのGICSセクター関係が、パフォーマンスと計算可能性のバランスを最良にした。テスト時のRMSPEは0.2422であった。
• エッジ数の増加（例：業界グループやサブインダストリー）はわずかに性能を低下させ、関係性の質が量よりも重要であることを示唆した。
• 接続度が高いノードは一貫して低いRMSPEを示し、周囲のノードからの情報集約が予測精度を向上させることを確認した。
• 予測期間および観測期間を長くすることでパフォーマンスが向上し、ボラティリティの急上昇がより長い期間で検出可能になることがわかった。