[论文解读] A Review on Graph Neural Network Methods in Financial Applications

Jianian Wang, Sheng Zhang+2 more|arXiv (Cornell University)|Nov 27, 2021

Advanced Graph Neural Networks被引用 5

一句话总结

本文对图神经网络（GNN）在金融领域中的应用进行了全面综述，将金融图分为五类——同质图、有向图、二分图、多关系图和动态图，并详细介绍了针对每类图量身定制的GNN架构。文章强调了GNN在股票预测和信用风险建模等任务中的有效性，为处理复杂、异构且时变的金融数据提供了系统性框架。

ABSTRACT

With multiple components and relations, financial data are often presented as graph data, since it could represent both the individual features and the complicated relations. Due to the complexity and volatility of the financial market, the graph constructed on the financial data is often heterogeneous or time-varying, which imposes challenges on modeling technology. Among the graph modeling technologies, graph neural network (GNN) models are able to handle the complex graph structure and achieve great performance and thus could be used to solve financial tasks. In this work, we provide a comprehensive review of GNN models in recent financial context. We first categorize the commonly-used financial graphs and summarize the feature processing step for each node. Then we summarize the GNN methodology for each graph type, application in each area, and propose some potential research areas.

研究动机与目标

• 为填补现有文献中的空白，系统性地回顾专门针对金融应用的GNN方法。
• 根据结构特性（如同质性、方向性和时序动态性）对常用金融图进行分类。
• 总结各类图类型的GNN技术，包括特征处理、消息传递机制和模型架构。
• 识别在应用GNN处理金融数据时面临的关键挑战，如异质性、时变结构和复杂关系模式。
• 提出基于GNN的金融建模未来研究方向，尤其在异常检测和动态关系学习方面。

提出的方法

• 根据结构和关系特性，将金融图分为五类：同质图、有向图、二分图、多关系图和动态图。
• 回顾如GCN、GAT、GraphSAGE及针对各类图量身定制的GNN变体架构，包括消息传递与聚合策略。
• 详细说明不同类型图中节点的特征处理技术，强调金融数据中的时间模式和语义表示。
• 描述多层感知机（MLP）、图卷积层和注意力机制等模型组件，用于生成节点表示。
• 概述监督学习、半监督学习和自监督学习等训练策略在金融GNN中的应用。
• 提出对标准GNN的修改，如自定义损失函数和额外层，以捕捉金融特定模式，例如设备聚合或市场传染效应。

实验结果

研究问题

• RQ1 金融数据如何被有效建模为图？金融图的关键结构特征是什么？
• RQ2 在动态图或多关系图等不同类型金融图中，最有效的GNN架构是什么？
• RQ3 GNN模型如何应对金融系统中异质性、时序动态性和复杂关系结构的挑战？
• RQ4 在股票走势或信用违约等金融预测任务中，GNN的性能提升与局限性分别是什么？
• RQ5 为建模领域特定的金融模式（如市场传染或投资回报链），对标准GNN需要进行哪些修改？

主要发现

• GNN在股票价格预测和信用风险评估等金融任务中优于传统模型，能有效建模复杂的关系与结构数据。
• 多关系图和动态图GNN在捕捉市场关系演变及多维度金融互动方面表现出更优性能。
• 图卷积网络（GCN）和图注意力网络（GAT）广泛应用于股票预测，在基准数据集上实现了高AUC和低RMSE。
• 通过自定义损失函数和架构修改（如角色约束层或时间聚合）可增强GNN检测金融异常和预测波动性的能力。
• 通过图嵌入学习整合文本与数值特征，可提升收益电话会议预测和基于情绪的股票预测性能。
• 尽管结果表现强劲，但在可扩展性、可解释性以及在多样化金融市场和数据源间的泛化能力方面仍存在挑战。