[논문 리뷰] Dynamic graph neural networks for enhanced volatility prediction in financial markets

Pulikandala Nithish Kumar, Nneka Umeorah외 1명|arXiv (Cornell University)|2024. 10. 22.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 전역 금융 시장을 동적 그래프로 모델링하여 변동성 예측을 향상시키는 시간적 그래프 어텐션 네트워크(Temporal GAT)를 제안한다. 변동성 전이 지수와 어텐션 메커니즘을 통합함으로써, 지수 간 비선형적이고 시간에 따라 변화하는 종속성을 포착하며, GARCH 및 기타 기계학습 모델보다 짧고 중간 기간 예측에서 더 낮은 MAPE와 MSE를 기록하여 뚜렷한 성능 향상을 이룬다.

ABSTRACT

Volatility forecasting is essential for risk management and decision-making in financial markets. Traditional models like Generalized Autoregressive Conditional Heteroskedasticity (GARCH) effectively capture volatility clustering but often fail to model complex, non-linear interdependencies between multiple indices. This paper proposes a novel approach using Graph Neural Networks (GNNs) to represent global financial markets as dynamic graphs. The Temporal Graph Attention Network (Temporal GAT) combines Graph Convolutional Networks (GCNs) and Graph Attention Networks (GATs) to capture the temporal and structural dynamics of volatility spillovers. By utilizing correlation-based and volatility spillover indices, the Temporal GAT constructs directed graphs that enhance the accuracy of volatility predictions. Empirical results from a 15-year study of eight major global indices show that the Temporal GAT outperforms traditional GARCH models and other machine learning methods, particularly in short- to mid-term forecasts. The sensitivity and scenario-based analysis over a range of parameters and hyperparameters further demonstrate the significance of the proposed technique. Hence, this work highlights the potential of GNNs in modeling complex market behaviors, providing valuable insights for financial analysts and investors.

연구 동기 및 목표

• 전통적인 GARCH 모델이 전역 금융 지수 간 복잡한 비선형 상호의존성을 포착하는 데 한계가 있음을 해결하기 위해.
• 지수를 노드로, 그들의 변동성 관계를 가중치가 부여된 방향성 간선으로 하는 동적 그래프로 금융 시장을 모델링하기 위해.
• 새로운 GNN 아키텍처를 통해 시간적 및 구조적 역학을 활용하여 단기 및 중기 변동성 예측 정확도를 향상시키기 위해.
• 상관관계 기반 vs. 변동성 전이 지수 기반 그래프 구축 방법의 모델 성능에 미치는 영향을 평가하기 위해.
• 코로나19 패닉 기간과 같은 고변동성 기간을 포함한 다양한 시장 조건 하에서 모델의 강건성을 평가하기 위해.

제안 방법

• 8개 주요 전역 지수 간 상호의존성을 표현하기 위해 변동성 전이 지수와 상관계수 행렬을 사용해 동적이고 방향성 있는 그래프를 구축한다.
• 그래프 컨volution 네트워크(GCNs)와 그래프 어텐션 네트워크(GATs)를 결합한 시간적 그래프 어텐션 네트워크(Temporal GAT)를 활용하여 시간에 따라 국소적이고 전역적인 노드 관계를 모델링한다.
• 어텐션 메커니즘을 사용해 변동성 예측에서 이웃 지수의 중요도를 동적으로 가중치를 매기며, 변화하는 시장 조건에 적응한다.
• 주요 전역 지수의 15년간 일일 종가 데이터를 기반으로 모델을 훈련하며, 변동성은 고주기 실측 측정치를 사용해 추정한다.
• 예측 수준(1, 5, 10, 22일)에 맞춰 초모수 최적화와 교차 검증을 적용하여 모델 성능을 최적화한다.
• 개별 지수가 전체 예측 정확도에 기여하는 정도를 평가하기 위해 리브-원아웃 민감도 분석을 실시한다.

실험 결과

연구 질문

• RQ1 동적 그래프 신경망 아키텍처가 단기 및 중기 변동성 예측에서 전통적인 GARCH 모델을 능가할 수 있는가?

주요 결과

• Temporal GAT 모델은 GARCH, GNN 및 기타 기계학습 기준 모델보다 유의미하게 낮은 평균 절대 퍼센트 오차(MAPE)를 기록했으며, 특히 1~10일 수준의 단기 및 중기 예측에서 두드러진 성능 향상을 보였다.
• 모델은 모든 예측 수준에서 뚜렷한 강건성을 유지했으며, 장기 예측(5, 10, 22일)에서는 MAPE가 13%에서 30% 사이로 안정화되었지만, GDAXI와 FCHI와 같은 일부 지수는 변동성 폭발 기간 동안 높은 오차를 보였다.
• 상관계수 기반 그래프 구축 방식에 비해 변동성 전이 지수가 더 뛰어난 성능을 보였으며, 충격 전파를 더 효과적으로 포착하고 예측 정확도를 향상시켰다.
• S&P 500와 DAX는 시장 변동성의 주요 주도 요소로 규명되었으며, 이들의 제거로 인해 모델 성능이 극적으로 저하되었다. 반면, HANG SENG와 같은 지수는 전이 효과가 약해 소음을 유발하는 경향이 있었다.
• 코로나19 패닉 기간 동안 Temporal GAT는 전통적 모델 대비 뛰어난 정확도를 유지하며 극도로 불안정한 시장 압력 하에서도 내구성을 입증했다.
• 갑작스러운 충격과 증가한 불확실성으로 인해 고변동성 제도에서 모델의 예측 오차가 높아졌으며, 이는 성능가 시장 제도 변화에 민감함을 시사한다.