[논문 리뷰] Price graphs: Utilizing the structural information of financial time series for stock prediction

Junran Wu, Ke Xu외 3명|arXiv (Cornell University)|2021. 06. 04.

Stock Market Forecasting Methods참고 문헌 50인용 수 5

한 줄 요약

이 논문은 주가 가격 시계열을 복잡한 네트워크로 변환하여 장기적 의존성과 혼란스러운 가격 행동을 포착하는 그래프 기반 프레임워크를 제안한다. 구조적 정보—노드 가중치 및 그래프 임베딩—을 추출함으로써 딥러닝 모델의 어텐션 메커니즘을 향상시켜 주식 예측에서 최고 성능을 달성하고 거래 시뮬레이션 동안 누적 수익에서 벤치마크를 능가한다.

ABSTRACT

Great research efforts have been devoted to exploiting deep neural networks in stock prediction. While long-range dependencies and chaotic property are still two major issues that lower the performance of state-of-the-art deep learning models in forecasting future price trends. In this study, we propose a novel framework to address both issues. Specifically, in terms of transforming time series into complex networks, we convert market price series into graphs. Then, structural information, referring to associations among temporal points and the node weights, is extracted from the mapped graphs to resolve the problems regarding long-range dependencies and the chaotic property. We take graph embeddings to represent the associations among temporal points as the prediction model inputs. Node weights are used as a priori knowledge to enhance the learning of temporal attention. The effectiveness of our proposed framework is validated using real-world stock data, and our approach obtains the best performance among several state-of-the-art benchmarks. Moreover, in the conducted trading simulations, our framework further obtains the highest cumulative profits. Our results supplement the existing applications of complex network methods in the financial realm and provide insightful implications for investment applications regarding decision support in financial markets.

연구 동기 및 목표

• 딥러닝 성능을 제한하는 재무 시계열에서의 장기적 의존성과 혼란스러운 가격 행동을 해결하기 위해.
• 시계열 그래프에서 유도된 구조적 정보를 활용하여 주가 예측을 향상시키기 위해.
• 노드 가중치를 사전 지식으로 사용하여 딥러닝 모델의 어텐션 메커니즘을 개선하기 위해.
• 실제 주식 데이터와 거래 시뮬레이션을 통해 프레임워크의 효과성을 검증하기 위해.
• 복잡한 네트워크 이론을 활용한 새로운 데이터 기반 의사결정 지원 도구를 투자자와 규제 기관에 제공하기 위해.

제안 방법

• 시간적 역학을 네트워크 구조에 통합하기 위해 원시 주가 시계열을 VG(가시성 그래프) 알고리즘을 사용하여 그래프로 변환하기 위해.
• 장거리 상관관계를 시간적 점들 간의 관계로 표현하기 위해 그래프 임베딩을 추출하여 딥러닝 모델의 입력으로 사용하기 위해.
• 시계열 값에서 유도된 노드 가중치를 시간적 어텐션 메커니즘을 안내하는 사전 지식으로 사용하기 위해.
• 그래프 임베딩과 노드 가중치를 자기 어텐션 기반의 딥러닝 아키텍처에 통합하여 특징 학습을 향상시키기 위해.
• 그래프 기반의 구조적 특징과 순차적 모델링을 결합한 하이브리드 모델(CA-SFCN)을 사용하여 예측 성능을 향상시키기 위해.
• 실제 주식 데이터와 시뮬레이션된 거래 환경에서의 비교 실험을 통해 프레임워크를 검증하기 위해.

실험 결과

연구 질문

• RQ1 시계열 그래프에서 추출한 구조적 정보가 주가 예측에서 장기적 의존성 모델링을 향상시킬 수 있는가?
• RQ2 가격 그래프의 노드 가중치가 혼란스러운 재무 시계열에서 어텐션 메커니즘의 안정성을 높이는데 효과적인 사전 지식이 될 수 있는가?
• RQ3 그래프 기반의 구조적 특징을 통합할 경우, 원시 가격 데이터만을 사용하는 모델보다 더 뛰어난 예측 성능을 달성할 수 있는가?
• RQ4 제안된 프레임워크는 최고 수준의 벤치마크보다 시뮬레이션된 거래 환경에서 더 높은 누적 수익을 창출할 수 있는가?
• RQ5 복잡한 네트워크 표현이 재무 예측을 위한 잠재적 역학을 어느 정도 유지할 수 있는가?

주요 결과

• 제안된 프레임워크는 실제 주식 데이터에서 모든 최고 수준의 벤치마크보다 높은 예측 정확도를 달성했다.
• 시뮬레이션된 거래 환경에서, 프레임워크는 CA-SFCN과 DARNN-SA를 모두 능가하는 가장 높은 누적 순수익을 창출했다.
• 그래프 임베딩과 노드 가중치의 통합은 혼란스러운 가격 움직임에 대한 모델의 강건성을 크게 향상시켰다.
• 그래프 표현에서 명시적인 간선을 통해 먼 시간적 연관성을 유지함으로써 모델은 장기적 의존성을 효과적으로 포착했다.
• 시계열 그래프에서 유도된 구조적 정보는 원시 가격 데이터만을 사용하는 것보다 예측에 더 유용한 정보를 제공했다.
• 기관 투자자와 규제 기관이 더 나은 의사결정 지원과 체계적 리스크 모니터링을 가능하게 하여 실용적 가치를 입증했다.