[論文レビュー] Price graphs: Utilizing the structural information of financial time series for stock prediction

Junran Wu, Ke Xu+3 more|arXiv (Cornell University)|Jun 4, 2021

Stock Market Forecasting Methods参考文献 50被引用数 5

ひとこと要約

本論文は、株価時系列データを複雑なネットワークに変換するグラフベースのフレームワークを提案し、長期的な依存関係を捉え、混沌とした価格行動を緩和する。構造的情報を抽出することで、ノード重みとグラフ埋め込みを用い、深層学習モデルのアテンション機構を強化し、株価予測において最先端のパフォーマンスを達成。取引シミュレーションにおいても、累積利益の面でベンチマークを上回った。

ABSTRACT

Great research efforts have been devoted to exploiting deep neural networks in stock prediction. While long-range dependencies and chaotic property are still two major issues that lower the performance of state-of-the-art deep learning models in forecasting future price trends. In this study, we propose a novel framework to address both issues. Specifically, in terms of transforming time series into complex networks, we convert market price series into graphs. Then, structural information, referring to associations among temporal points and the node weights, is extracted from the mapped graphs to resolve the problems regarding long-range dependencies and the chaotic property. We take graph embeddings to represent the associations among temporal points as the prediction model inputs. Node weights are used as a priori knowledge to enhance the learning of temporal attention. The effectiveness of our proposed framework is validated using real-world stock data, and our approach obtains the best performance among several state-of-the-art benchmarks. Moreover, in the conducted trading simulations, our framework further obtains the highest cumulative profits. Our results supplement the existing applications of complex network methods in the financial realm and provide insightful implications for investment applications regarding decision support in financial markets.

研究の動機と目的

• 深層学習のパフォーマンスを制限する、金融時系列における長期的依存関係と混沌とした価格行動を解決すること。
• 時系列グラフからの構造的情報を活用し、株価予測を向上させること。
• ノード重みを事前知識として用いて、深層学習モデルのアテンション機構を改善すること。
• 実際の株価データと取引シミュレーションを用いて、フレームワークの有効性を検証すること。
• 複雑ネットワーク理論を用いた、革新的でデータ駆動型の意思決定支援ツールを投資家および規制当局に提供すること。

提案手法

• 時系列の時間的ダイナミクスをネットワークトポロジーに符号化するため、VG（可視性グラフ）アルゴリズムを用いて、生の株価時系列データをグラフに変換すること。
• 長距離の時系列ポイント間の関連性を表すために、グラフ埋め込みを抽出し、深層学習モデルの入力として使用すること。
• 時系列値から導出されるノード重みを、時間的アテンション機構をガイドする事前知識として使用すること。
• グラフ埋め込みとノード重みを、自己アテンションを備えた深層学習アーキテクチャに統合し、特徴抽出を向上させること。
• グラフベースの構造的特徴と順序付きモデリングを組み合わせたハイブリッドモデル（CA-SFCN）を採用し、予測精度を向上させること。
• 実世界の株価データとシミュレートされた取引環境を用いた比較実験を通じて、フレームワークを検証すること。

実験結果

リサーチクエスチョン

• RQ1 時系列グラフから抽出した構造的情報は、株価予測における長期的依存関係モデリングを改善できるか？
• RQ2 価格グラフにおけるノード重みは、混沌たる金融時系列におけるアテンション機構の安定化に有効な事前知識として機能するか？
• RQ3 グラフベースの構造的特徴を組み込むことで、生の価格データを使用するモデルよりも優れた予測性能が得られるか？
• RQ4 提案されたフレームワークは、最先端のベンチマークと比較して、シミュレートされた取引環境でより高い累積利益を生み出せるか？
• RQ5 複雑ネットワーク表現は、金融予測のための潜在的ダイナミクスをどの程度正確に保持できるか？

主な発見

• 提案されたフレームワークは、実世界の株価データにおいて、すべての最先端ベンチマークの中で最高の予測精度を達成した。
• シミュレートされた取引環境において、フレームワークは最高の累積純利益を達成し、CA-SFCN や DARNN-SA を上回った。
• グラフ埋め込みとノード重みの統合により、混沌たる価格変動に対するモデルのロバスト性が顕著に向上した。
• グラフ表現における明示的なエッジを介して、遠く離れた時系列関連を保持することで、モデルは長期的依存関係を効果的に捉えた。
• 時系列グラフからの構造的情報は、単に生の価格データを使用するのと比較して、予測にさらに有用であることが示された。
• 本フレームワークは、機関投資家および規制当局にとって実用的価値を有し、より良い意思決定支援とシステミックリスクの監視を可能にした。