[논문 리뷰] Multi-View Graph Convolutional Networks for Relationship-Driven Stock Prediction.

Jiexia Ye, Juanjuan Zhao외 2명|arXiv (Cornell University)|2020. 01. 01.

Stock Market Forecasting Methods인용 수 2

한 줄 요약

이 논문은 주식 간 상관관계를 도메인 지식 기반 그래프와 데이터 기반 적응형 관계를 모두 활용하여 모델링하는 그래프 컬러션 네트워크(GCN)-기반 프레임워크인 Multi-GCGRU를 제안한다. GCN가 추출한 상관관계 특징과 이전 주식 데이터를 GRU를 통해 결합하여 주가 방향 예측 성능을 향상시킨다. 중국 주식 인덱스에 대한 실험 결과, 기준 모델들보다 뛰어난 성능을 보였다.

ABSTRACT

Stock price movement prediction is commonly accepted as a very challenging task due to the volatile nature of financial markets. Previous works typically predict the stock price mainly based on its own information, neglecting the cross effect among involved stocks. However, it is well known that an individual stock price is correlated with prices of other stocks in complex ways. To take the cross effect into consideration, we propose a deep learning framework, called Multi-GCGRU, which comprises graph convolutional network (GCN) and gated recurrent unit (GRU) to predict stock movement. Specifically, we first encode multiple relationships among stocks into graphs based on financial domain knowledge and utilize GCN to extract the cross effect based on these pre-defined graphs. To further get rid of prior knowledge, we explore an adaptive relationship learned by data automatically. The cross-correlation features produced by GCN are concatenated with historical records and then fed into GRU to model the temporal dependency of stock prices. Experiments on two stock indexes in China market show that our model outperforms other baselines. Note that our model is rather feasible to incorporate more effective stock relationships containing expert knowledge, as well as learn data-driven relationship.

연구 동기 및 목표

• 기존 주가 예측 모델이 개별 주식 이력에만 초점을 맞추고 주식 간 상관관계를 忽시하는 한계를 해결하기 위해.
• 주식 간 관계를 나타내는 그래프 구조에 금융 도메인 지식을 통합하여 특징 추출 성능을 향상시키기 위해.
• 수동적인 특징 공학에 의존하는 것을 줄이기 위해 데이터 기반 적응형 주식 관계를 자동으로 학습하기 위해.
• GCN가 추출한 상관관계 특징과 이전 데이터를 GRU를 통해 결합하여 주가 변동의 시간적 의존성을 모델링하기 위해.
• 전문가가 정의한 관계와 데이터 기반 관계를 통합할 수 있는 융통성 있는 프레임워크를 개발하여 예측 성능을 향상시키기 위해.

제안 방법

• 금융 도메인 지식에 기반한 다수의 사전 정의된 그래프를 구성하여 주식 간 관계를 표현하기 위해.
• 이러한 사전 정의된 그래프에서 교차 효과 특징을 추출하기 위해 그래프 컬러션 네트워크(GCN)를 적용하기 위해.
• 엔드 투 엔드로 학습 가능한 메커니즘을 사용하여 데이터로부터 적응형 관계를 학습하여 주식 상관관계를 자동으로 탐지하기 위해.
• GCN가 추출한 상관관계 특징과 이전 주가 가격 시계열을 연결하여 풍부한 입력 표현을 형성하기 위해.
• 연결된 특징을 게이트드 순환 단위(GRU)에 입력하여 주가 변동의 장기적 시간적 의존성을 모델링하기 위해.
• 전체 Multi-GCGRU 프레임워크를 엔드 투 엔드로 학습하여 주가 방향 예측 최적화를 위해.

실험 결과

연구 질문

• RQ1 주식 간 사전 정의된 금융 관계를 통합함으로써 주가 예측 정확도가 향상되는가?
• RQ2 고정된 도메인 기반 그래프에 비해 데이터 기반 적응형 관계 학습 메커니즘이 예측 성능 향상에 얼마나 기여하는가?
• RQ3 GCN가 추출한 상관관계 특징을 GRU와 통합하여 주가의 시간적 동역학을 얼마나 효과적으로 모델링하는가?
• RQ4 실제 금융 데이터에서 기존 기준 모델들에 비해 제안된 Multi-GCGRU 프레임워크가 주가 방향 예측에서 뛰어난 성능을 보이는가?
• RQ5 이 프레임워크는 전문가가 정의한 관계와 학습된 관계를 얼마나 융통성 있게 통합할 수 있는가?

주요 결과

• 제안된 Multi-GCGRU 모델은 두 개의 중국 주식 인덱스에서 기준 모델들보다 뛰어난 성능을 달성했다.
• 도메인 지식 기반과 데이터 기반 주식 관계를 모두 통합함으로써 예측 정확도가 향상되었다.
• GCN의 사용이 주식 간 상관관계 특징을 효과적으로 캡처하여 모델의 예측 능력을 향상시켰다.
• GRU 구성 요소는 GCN 출력 결과와 결합되었을 때 주가 시계열의 시간적 의존성을 성공적으로 모델링했다.
• 전문가 지식과 데이터 기반 패턴을 포함한 다양한 유형의 주식 관계를 통합하는 데 있어 모델이 실현 가능하고 효과적임을 입증했다.
• 실증 결과는 개별 주식 이력에만 의존하는 모델에 비해 주식 간 영향을 고려할 경우 주가 움직임 예측 성능이 크게 향상됨을 확인했다.