[논문 리뷰] Exploiting Supply Chain Interdependencies for Stock Return Prediction: A Full-State Graph Convolutional LSTM

Chang Liu|arXiv (Cornell University)|2023. 03. 07.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 그래프 구조화된 가치사슬을 통해 공급망 상호의존성을 활용하는 LSTM-GCN 모델을 제안하여 주식 수익률 예측을 향상시킨다. 공간적 상관관계를 캐릭터라이즈하는 그래프 컨volution 네트워크(GCN)와 시간적 동역학을 모델링하는 LSTMs를 결합함으로써, 이 방법은 유로스탁스톡스 600 및 S&P 500 데이터셋에서 뛰어난 예측 정확도를 달성하고 유의미한 초과 수익률을 생성한다.

ABSTRACT

Stock return prediction is fundamental to financial decision-making, yet traditional time series models fail to capture the complex interdependencies between companies in modern markets. We propose the Full-State Graph Convolutional LSTM (FS-GCLSTM), a novel temporal graph neural network that incorporates value-chain relationships to enhance stock return forecasting. Our approach features two key innovations: First, we represent inter-firm dependencies through value-chain networks, where nodes correspond to companies and edges capture supplier-customer relationships, enabling the model to leverage information beyond historical price data. Second, FS-GCLSTM applies graph convolutions to all LSTM components - current input features, previous hidden states, and cell states - ensuring that spatial information from the value-chain network influences every aspect of the temporal update mechanism. We evaluate FS-GCLSTM on Eurostoxx 600 and S&P 500 datasets using LSEG value-chain data. While not achieving the lowest traditional prediction errors, FS-GCLSTM consistently delivers superior portfolio performance, attaining the highest annualized returns, Sharpe ratios, and Sortino ratios across both markets. Performance gains are more pronounced in the denser Eurostoxx 600 network, and robustness tests confirm stability across different input sequence lengths, demonstrating the practical value of integrating value-chain data with temporal graph neural networks.

연구 동기 및 목표

• 기존 가격 데이터를 초월해 공급망 상호의존성을 통합함으로써 주식 수익률 예측을 향상시키기 위해.
• 공급자-고객 관계를 기반으로 한 그래프 컨volution 네트워크(GCN)를 사용해 기업 간 공간적 상관관계를 모델링하기 위해.
• 장기 기억을 갖는 순환 신경망(LSTM)을 사용해 주식 수익률의 시간적 동역학을 캐릭터라이즈하기 위해.
• 예측 오차와 포트폴리오 수익성 측면에서 기준 모델 대비 모델 성능을 평가하기 위해.
• 다양한 윈도우 길이의 이동 평균 창에 걸쳐 모델의 예측 성능이 얼마나 견고한지 평가하기 위해.

제안 방법

• 노드가 기업을 나타내고, 간선이 가치사슬 데이터로부터 유도된 공급자-고객 관계를 나타내는 그래프를 구축하기 위해.
• 각 기업을 그래프 내에서 표현하기 위해 역사적 주식 수익률에서 유도된 노드 특징을 사용하기 위해.
• 그래프 컨볼루션 네트워크(GCN)를 적용해 그래프의 공간적 상관관계와 위상적 구조를 추출하기 위해.
• 노드 특징의 시간적 진화를 모델링하고 수익률 시퀀스의 장기적 의존성을 캐릭터라이즈하기 위해 LSTM 네트워크를 통합하기 위해.
• GCN와 LSTM을 통합한 유일한 아키텍처(LSTM-GCN)를 구성해 공간적 및 시간적 패턴을 동시에 모델링하기 위해.
• 손실 함수로 평균 절대 오차(MAE)와 평균 제곱 오차(MSE)를 사용해 엔드 투 엔드 모델을 훈련하기 위해.

실험 결과

연구 질문

• RQ1 그래프 구조를 통해 공급망 상호의존성을 모델링하면 주식 수익률 예측 정확도가 향상되는가?
• RQ2 GCN와 LSTM의 통합이 금융 데이터의 공간적 및 시간적 상관관계를 더 잘 포착하는가?
• RQ3 LSTM-GCN 모델은 시뮬레이션된 마켓 네트럴 거래 전략에서 경제적으로의미 있는 초과 수익률을 생성하는가?
• RQ4 다양한 시장 지수와 이동 윈도우 길이에 걸쳐 모델의 예측 성능이 견고한가?
• RQ5 통계적 검증을 통해 단순 평균 예측 모델보다 모델의 성능이 유의미하게 뛰어나지 않는가?

주요 결과

• 유로스탁스톡스 600 데이터셋에서 LSTM-GCN 모델은 모든 기준 모델 대비 가장 낮은 MAE(7.1993 × 10⁻⁴)와 MSE(1.6607 × 10⁻²)를 기록했다.
• S&P 500에서 LSTM-GCN 모델은 가장 높은 연간 수익률(5.8904%)과 샤프 지수(0.5345)를 기록하여 뛰어난 리스크 조정 수익성을 보였다.
• 백테스트된 마켓 네트럴 전략에서 모델은 가장 높은 누적 수익률과 소르티노 비율을 기록하여 경제적 의의를 입증했다.
• 내구성 테스트 결과, 유로스탁스톡스 600에서 50, 60, 70, 80일 이동 윈도우에 대해 R²가 유의미하게 0보다 크며(p < 0.001), 유의미한 상관관계를 보였다.
• S&P 500에서는 50일 및 60일 이동 윈도우에서 R²가 유의미하게 0보다 크며, p-값이 각각 2.569 × 10⁻⁷ 및 7.286 × 10⁻¹⁰이었다.
• 모델의 성능는 단순 평균 예측 기준 모델보다 뚜렷하게 뛰어나, 무작위성 초과의 예측 능력이 확인되었다.