[논문 리뷰] GraphCNNpred: A stock market indices prediction using a Graph based deep learning system

Yuhui Jin|arXiv (Cornell University)|2024. 07. 04.

Stock Market Forecasting Methods인용 수 6

한 줄 요약

본 연구는 그래프 신경망을 CNNpred와 결합하여 주요 주가 지수의 추세를 예측하고, 기준선 대비 4–15%의 F-지표(F-measure) 이득을 달성하며, Sharpe 비율이 3을 상회하는 거래 시뮬레이션을 가능하게 한다.

ABSTRACT

The application of deep learning techniques for predicting stock market prices is a prominent and widely researched topic in the field of data science. To effectively predict market trends, it is essential to utilize a diversified dataset. In this paper, we give a graph neural network based convolutional neural network (CNN) model, that can be applied on diverse source of data, in the attempt to extract features to predict the trends of indices of ext{S}\& ext{P} 500, NASDAQ, DJI, NYSE, and RUSSEL. The experiments show that the associated models improve the performance of prediction in all indices over the baseline algorithms by about $4\% ext{ to } 15\%$, in terms of F-measure. A trading simulation is generated from predictions and gained a Sharpe ratio of over 3.

연구 동기 및 목표

• 다양한 데이터 소스를 활용한 주가 지수 예측 개선 동기 부여.
• 일일 및 지속적 특징을 추출하기 위한 Graph-CNN 하이브리드 모델(GAT/GCN + CNNpred) 제안.
• CNNpred 기준선 및 순수 그래프 방법과 비교하여 주요 지수에 대한 예측 성능 평가.
• 가상 포트폴리오에서 Sharpe 비율과 CEQ를 통한 거래 타당성 시연.

제안 방법

• 특징 간 상관관계 그래프를 구성하되 노드를 138개 특징으로 하고 상관 계수가 0.7을 초과하는 간선을 사용한다.
• 상관 특징 간 정보를 확산시키기 위해 Graph Attention Network (GAT) 또는 Graph Convolutional Network (GCN) 계층을 사용한다.
• CNNpred 스타일의 지속적 특징 추출을 CNN 계층으로 통합하여 시간적 패턴을 캡처한다.
• 그래프 특징과 CNN 특징을 풀링(평균, 최대, 또는 완전히 연결된 계층)으로 집계하여 예측의 최종 표현을 형성한다.
• 단기 수익률에 대해 이진(0,1) 또는 0/1/2 라벨링 체계로 학습하고, 확률은 시그모이드 최종 계층, 다중 클래스 출력은 소프트맥스/CEQ를 사용한다.
• 0/1 라벨링에 대한 매크로 F-측정과 0/1/2 라벨링에 대한 거래 지표(Sharpe, CEQ)를 평가한다.

실험 결과

연구 질문

• RQ1 CNNpred 단독 및 순수 그래프 방법 대비 그래프 기반 CNNpred 통합이 단기 주가 지수 추세 예측을 개선할 수 있는가?
• RQ2 다른 그래프 풀링 전략과 GNN 변형(GAT vs GCN)이 주요 지수 전반의 예측 성능에 어떤 영향을 미치는가?
• RQ3 여러 지수에 대해 예측이 주도하는 모의 롱/숏 전략의 거래 성능(Sharpe, CEQ)은 어떠한가?

주요 결과

• GCN-CNNpred 및 GAT-CNNpred가 평균 F-지표에서 CNNpred 기준선 및 순수 그래프 기준선보다 일관되게 우수하게 나타난다.
• 최고의 단일 지수 결과(표 1)에서 GCN-CNNpred가 여러 지수에서 가장 높은 F-지표를 달성한다(예: S&P 500: 0.5866; NASDAQ: 0.5885; NYSE: 0.5767; RUSSELL: 0.5954).
• CNN 통합이 있는 그래프 기반 변형은 기준선 대비 4%에서 15%의 F-지표 향상을 보인다.
• 모델은 Sharpe 비율이 기준 전략을 초과하는 거래 시뮬레이션을 가능하게 하여 실용적인 거래 타당성을 시사한다.
• 풀링 선택(평균, 최대, 완전 연결)은 성능에 따라 평가 및 선택되어 강건한 예측에 기여한다.