[논문 리뷰] A Review on Graph Neural Network Methods in Financial Applications

Jianian Wang, Sheng Zhang외 2명|arXiv (Cornell University)|2021. 11. 27.

Advanced Graph Neural Networks인용 수 5

한 줄 요약

이 논문은 금융 응용 분야에서 그래프 신경망(GNN) 방법에 대한 종합적인 리뷰를 제공하며, 금융 그래프를 동질성, 방향성, 이분할, 다중관계, 동적의 다섯 가지 유형으로 분류하고 각 유형에 맞는 GNN 아키텍처를 상세히 설명한다. 주식 예측 및 신용 리스크 모델링과 같은 과제에서 GNN의 효과성을 강조하며, 복잡하고 이질적이며 시간에 따라 변화하는 금융 데이터에 GNN을 적용하기 위한 체계적인 프레임워크를 제공한다.

ABSTRACT

With multiple components and relations, financial data are often presented as graph data, since it could represent both the individual features and the complicated relations. Due to the complexity and volatility of the financial market, the graph constructed on the financial data is often heterogeneous or time-varying, which imposes challenges on modeling technology. Among the graph modeling technologies, graph neural network (GNN) models are able to handle the complex graph structure and achieve great performance and thus could be used to solve financial tasks. In this work, we provide a comprehensive review of GNN models in recent financial context. We first categorize the commonly-used financial graphs and summarize the feature processing step for each node. Then we summarize the GNN methodology for each graph type, application in each area, and propose some potential research areas.

연구 동기 및 목표

• 기존 문헌에서의 격차를 메우기 위해 금융 응용 분야에 특화된 GNN 방법론을 시스템적으로 리뷰하는 것.
• 동질성, 방향성, 시간적 동역학성 등의 구조적 특성에 기반해 일반적으로 사용되는 금융 그래프를 분류하는 것.
• 각 그래프 유형에 대한 GNN 기법을 요약하며, 특징 처리, 메시지 전달 메커니즘, 모델 아키텍처를 포함하는 것.
• 이질성, 시간에 따라 변화하는 구조, 복잡한 관계 패턴 등의 과제를 고려해 GNN을 금융 데이터에 적용할 때의 주요 과제를 식별하는 것.
• 특히 이상 탐지 및 동적 관계 학습 분야에서 GNN 기반 금융 모델링을 위한 미래 연구 방향을 제안하는 것.

제안 방법

• 구조적 및 관계적 특성에 기반해 금융 그래프를 동질성, 방향성, 이분할, 다중관계, 동적의 다섯 가지 유형으로 분류하는 것.
• 각 그래프 유형에 맞게 조정된 GCN, GAT, GraphSAGE 및 GNN 변종과 같은 GNN 아키텍처를 검토하며, 메시지 전달 및 집계 전략을 포함하는 것.
• 다양한 그래프 유형의 노드에 대한 특징 처리 기법을 상세히 기술하며, 금융 데이터에서 시간 패턴과 의미적 표현에 중점을 두는 것.
• 노드 표현을 생성하는 데 사용되는 모델 구성 요소인 다층 퍼셉트론(MLP), 그래프 컬러션 레이어, 어텐션 메커니즘을 설명하는 것.
• 금융용 GNN을 위한 훈련 전략으로 감독 학습, 준감독 학습, 자기지도 학습을 개략적으로 기술하는 것.
• 장치 집합 또는 시장 전염성과 같은 금융 전용 패턴을 포착하기 위해 표준 GNN에 수정을 가하는 것—예를 들어, 맞춤형 손실 함수나 추가 레이어를 제안하는 것.

실험 결과

연구 질문

• RQ1 금융 데이터는 어떻게 효과적으로 그래프로 모델링할 수 있으며, 금융 그래프의 주요 구조적 특성은 무엇인가?
• RQ2 예를 들어 동적 또는 다중관계 그래프와 같은 다양한 유형의 금융 그래프에 대해 가장 효과적인 GNN 아키텍처는 무엇인가?
• RQ3 GNN 모델은 금융 시스템에서의 이질성, 시간적 동역학성, 복잡한 관계 구조 과제를 어떻게 다루는가?
• RQ4 주식 이동 또는 신용 불이행 예측과 같은 금융 예측 과제에서 GNN의 주요 성능 향상 요소와 제약 사항은 무엇인가?
• RQ5 시장 전염성 또는 투자 수익 체인과 같은 도메인 전용 금융 패턴을 모델링하기 위해 표준 GNN에 어떤 수정이 필요한가?

주요 결과

• GNN은 복잡한 관계적 및 구조적 데이터를 효과적으로 모델링함으로써 주식 가격 예측 및 신용 리스크 평가와 같은 금융 과제에서 전통적 모델을 능가한다.
• 다중관계 및 동적 그래프 GNN은 변화하는 시장 관계와 다각도의 금융 상호작용을 더 잘 포착함으로써 성능 향상을 보였다.
• 그래프 컬러션 네트워크(GCN)와 그래프 어텐션 네트워크(GAT)는 주식 예측 분야에서 널리 적용되어 벤치마크 데이터셋에서 높은 AUC와 낮은 RMSE를 달성했다.
• 맞춤형 손실 함수 및 아키텍처 수정—예를 들어 역할 제약 레이어 또는 시간적 집계—는 GNN의 이상 탐지 능력과 변동성 예측 능력을 향상시켰다.
• 그래프 기반 표현 학습을 통해 텍스트 및 수치적 특징을 통합함으로써 수익 예측 및 감성 기반 주식 예측의 성능이 향상되었다.
• 강력한 성과에도 불구하고 스케일링, 해석 가능성, 다양한 금융 시장 및 데이터 소스 간의 일반화 문제에 도전 과제가 남아 있다.