[논문 리뷰] Exploring Graph Neural Networks for Stock Market Predictions with Rolling Window Analysis

Daiki Matsunaga, Toyotaro Suzumura외 1명|arXiv (Cornell University)|2019. 09. 23.

Stock Market Forecasting Methods인용 수 57

한 줄 요약

본 논문은 기업 지식 그래프를 활용하는 그래프 신경망을 평가하여 Nikkei 225 주가를 예측하고, 롤링 윈도우 백테스트로 LSTM 및 벤치마크와 비교하며 모든 경우와 특정 관계 유형에서 주목할 만한 이점을 보인다.

ABSTRACT

Recently, there has been a surge of interest in the use of machine learning to help aid in the accurate predictions of financial markets. Despite the exciting advances in this cross-section of finance and AI, many of the current approaches are limited to using technical analysis to capture historical trends of each stock price and thus limited to certain experimental setups to obtain good prediction results. On the other hand, professional investors additionally use their rich knowledge of inter-market and inter-company relations to map the connectivity of companies and events, and use this map to make better market predictions. For instance, they would predict the movement of a certain company's stock price based not only on its former stock price trends but also on the performance of its suppliers or customers, the overall industry, macroeconomic factors and trade policies. This paper investigates the effectiveness of work at the intersection of market predictions and graph neural networks, which hold the potential to mimic the ways in which investors make decisions by incorporating company knowledge graphs directly into the predictive model. The main goal of this work is to test the validity of this approach across different markets and longer time horizons for backtesting using rolling window analysis. In this work, we concentrate on the prediction of individual stock prices in the Japanese Nikkei 225 market over a period of roughly 20 years. For the knowledge graph, we use the Nikkei Value Search data, which is a rich dataset showing mainly supplier relations among Japanese and foreign companies. Our preliminary results show a 29.5% increase and a 2.2-fold increase in the return ratio and Sharpe ratio, respectively, when compared to the market benchmark, as well as a 6.32% increase and 1.3-fold increase, respectively, compared to the baseline LSTM model.

연구 동기 및 목표

• 주식 예측에서 기업 간 및 시장 간 관계를 포착하기 위한 지식 그래프 활용 동기 부여.
• 롤링 윈도우 백테스팅을 사용하여 시장과 긴 시계열에 걸친 그래프 신경망의 일반화 가능성 평가.
• 주가 예측 성능에 미치는 지식 그래프의 관계 유형 차이가 미치는 영향 평가.
• 미래 수익률 회귀를 위한 Temporal Graph Neural Network의 엔드투엔드 학습 조사.

제안 방법

• 역사 가격 데이터를 처리한 LSTM에서 도출된 노드 특징을 사용하는 Graph Convolutional Networks (GCN) 활용.
• 이웃 기여를 도트 곱 기반 관계 강도로 가중하여 시간적 다이나믹스 반영 (식 3).
• 기업 관계의 1차 및 2차 관계에서 7개의 인접 행렬 구성(공급자, 고객, 파트너, 주주, 공통 산업, 공통 고객, 공통 공급자) 및 모든 유형의 인접행렬 A(K 관계 유형) 테스트.
• 약 20년 데이터에 대해 롤링 윈도우 분석 적용(훈련 2000 타임스텝, 테스트 200 타임스텝, 윈도우 슬라이드) 백테스팅.
• RNN(LSTM)과 시간 그래프 컨볼루션 계층을 엔드투엔드로 공동 최적화하며 최종 회귀 헤드로 학습.
• 연간 수익률과 Sharpe 비율을 Buy-Hold 및 벤치마크 대비 성능 평가.

실험 결과

연구 질문

• RQ1 기업 지식 그래프 데이터셋이 다른 시장과 더 긴 시계열에 걸쳐 주가 예측에 유용한가?
• RQ2 동적 관계 강도를 갖는 시간 그래프 합성곱이 정적 그래프를 넘어서 예측 성능을 향상시키는가?
• RQ3 어떤 관계 유형(예: 고객-관계, 공급자-관계 등)이 Nikkei 225 맥락에서 예측 정확도를 가장 많이 개선하는가?
• RQ4 엔드-투-엔드로 학습된 RNN + GCN 아키텍처가 롤링 윈도우에서 표준 LSTM 및 시장 벤치마크를 능가하는가?

주요 결과

• 모든 그래프 기반 모델이 Buy-Hold 벤치마크의 수익률 및 Sharpe 비율을 상회한다.
• 모든 관계 그래프가 테스트된 그래프 중 최상의 성능을 보인다(수익률 29.95%, Sharpe 0.37).
• 고객-관계가 예측을 독립적으로 개선한다(수익률 27.52%, Sharpe 0.35), 일부 지표에서 LSTM보다 우수.
• LSTM은 Nikkei 225 데이터의 Sharpe 및 수익률에서 특정 그래프 유형(예: 고객-관계, 전체)보다 낮다.
• 2차 및 다중 관계 그래프는 희소성을 완화하고 장기간 일반화를 개선하는 데 도움.