[논문 리뷰] Multivariate Realized Volatility Forecasting with Graph Neural Network

Qinkai Chen, Christian-Yann Robert|arXiv (Cornell University)|2021. 12. 16.

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 논문은 그래프 신경망을 사용하여 다양한 소스에서 온 교차단위 및 시간적 관계를 통합하는 다변량 모델인 변동성 예측을 위한 그래프 트랜스포머 네트워크(GTN-VF)를 제안한다. 약 500개의 S&P 500 주식을 대상으로 평가한 결과, 다양한 예측 수준에서 단기 실현 변동성 예측에서 다변량 및 단변량 기준보다 유의하게 뛰어난 성능을 보였다.

ABSTRACT

The existing publications demonstrate that the limit order book data is useful in predicting short-term volatility in stock markets. Since stocks are not independent, changes on one stock can also impact other related stocks. In this paper, we are interested in forecasting short-term realized volatility in a multivariate approach based on limit order book data and relational data. To achieve this goal, we introduce Graph Transformer Network for Volatility Forecasting. The model allows to combine limit order book features and an unlimited number of temporal and cross-sectional relations from different sources. Through experiments based on about 500 stocks from S&P 500 index, we find a better performance for our model than for other benchmarks.

연구 동기 및 목표

• 단변량 접근 방식을 넘어서 주식 간 상호의존성을 모델링하여 단기 실현 변동성 예측을 향상시키는 것.
• 시간적 및 교차단위 관계를 포함한 다양한 관련 데이터를 통합하여 통합된 변동성 예측 프레임워크를 구축하는 것.
• 무제한의 관련 소스를 처리할 수 있는 확장 가능한 기반의 딥 러닝 모델을 개발하는 것.
• 예측 정확도 향상에 기여하는 다양한 관련성의 해상도(예: GICS 산업 부문)를 평가하는 것.
• 주식의 유동성 수준과 노드 연결성에 따라 모델 성능이 어떻게 달라지는지 평가하는 것.

제안 방법

• 모델는 한 개 이상의 관련 소스에서 유래한 한정 주문서 특징과 관련 데이터를 동적 그래프로 처리하는 그래프 트랜스포머 네트워크(GTN-VF)를 사용한다.
• 노드는 개별 주식을 나타내며, 간선은 GICS 산업 계층 구조, 특징 상관관계, 공동 움직임 패tern 등 여러 관련 소스에서 유도된다.
• 그래프 구조는 무제한의 관계를 지원하여 시간적 및 교차단위 의존성을 탄력적으로 통합할 수 있다.
• GNN 내의 메시지 전달 메커니즘을 통해 각 노드는 이웃 노드로부터 정보를 집계하여 체계적 리스크 전이 효과를 포착한다.
• 모델는 시간적 및 관련 구조적 장거리 의존성을 포착하기 위해 트랜스포머 기반 아키텍처를 사용한다.
• 훈련은 그래프 구조 데이터에 대해 다중 헤드 어텐션 메커니즘을 활용하며, 실현 변동성 예측의 RMSPE를 최소화하는 방식으로 수행된다.

실험 결과

연구 질문

• RQ1 그래프 신경망이 한정 주문서 데이터와 여러 관련 소스를 효과적으로 통합하여 다변량 실현 변동성 예측 성능을 향상시킬 수 있는가?
• RQ2 교차단위 및 시간적 관계를 통합함으로써 단변량 모델 대비 정확도가 얼마나 향상되는가?
• RQ3 변동성 예측에 있어 산업 기반 관련성의 최적 해상도(예: 산업 vs. 하위 산업)는 무엇인가?
• RQ4 모델 성능이 다양한 유동성 수준의 주식에서 의미 있게 달라지는가?
• RQ5 노드 연결성이 예측 정확도에 미치는 영향은 무엇이며, 연결된 노드로부터의 정보 집합이 더 큰 이점을 제공하는가?

주요 결과

• GTN-VF는 모든 테스트 수준에서 단변량 및 다변량 기준 모델보다 실현 변동성 예측 성능이 뛰어나다.
• 유동성 가장 높은 주식에서는 RMSPE가 2% 향상되었고, 가장 유동성이 낮은 주식에서는 최소한의 기준 모델 대비 최대 8% 향상되었다.
• 산업 수준의 GICS 산업 부문 관계를 사용할 경우 성능과 계산 가능성의 최적의 균형을 이룬다. 테스트 RMSPE는 0.2422이다.
• 더 많은 간선(예: 산업 그룹 또는 하위 산업)을 추가하면 성능이 약간 떨어지며, 이는 관계의 질이 수량보다 더 중요하다는 것을 시사한다.
• 높은 연결성을 가진 노드는 일관되게 낮은 RMSPE를 기록하며, 이는 이웃 노드로부터의 정보 집합이 예측 정확도를 향상시킨다는 것을 확인한다.
• 더 긴 예측 및 관찰 윈도우는 성능 향상에 기여하며, 변동성 점프가 더 긴 수준에서 더 잘 탐지되기 때문이다.