[论文解读] Dynamic graph neural networks for enhanced volatility prediction in financial markets

Pulikandala Nithish Kumar, Nneka Umeorah+1 more|arXiv (Cornell University)|Oct 22, 2024

Stock Market Forecasting MethodsDecision Sciences被引用 3

一句话总结

本文提出了一种时间图注意力网络（Temporal GAT），将全球金融市场建模为动态图以提升波动率预测。通过整合波动率溢出指数与注意力机制，该模型捕捉了指数之间非线性、时变的依赖关系，在短期至中期预测中显著优于GARCH及其他机器学习模型，且MAPE与MSE更低。

ABSTRACT

Volatility forecasting is essential for risk management and decision-making in financial markets. Traditional models like Generalized Autoregressive Conditional Heteroskedasticity (GARCH) effectively capture volatility clustering but often fail to model complex, non-linear interdependencies between multiple indices. This paper proposes a novel approach using Graph Neural Networks (GNNs) to represent global financial markets as dynamic graphs. The Temporal Graph Attention Network (Temporal GAT) combines Graph Convolutional Networks (GCNs) and Graph Attention Networks (GATs) to capture the temporal and structural dynamics of volatility spillovers. By utilizing correlation-based and volatility spillover indices, the Temporal GAT constructs directed graphs that enhance the accuracy of volatility predictions. Empirical results from a 15-year study of eight major global indices show that the Temporal GAT outperforms traditional GARCH models and other machine learning methods, particularly in short- to mid-term forecasts. The sensitivity and scenario-based analysis over a range of parameters and hyperparameters further demonstrate the significance of the proposed technique. Hence, this work highlights the potential of GNNs in modeling complex market behaviors, providing valuable insights for financial analysts and investors.

研究动机与目标

• 解决传统GARCH模型在捕捉全球金融指数之间复杂非线性相互依赖关系方面的局限性。
• 将金融市场建模为动态图，其中指数为节点，其波动率关系为加权、有向边。
• 通过新颖的图神经网络架构，利用时间与结构动态，提升短期与中期波动率预测的准确性。
• 评估不同图构建方法（基于相关性的方法 vs. 波动率溢出指数）对模型性能的影响。
• 评估模型在不同市场条件下的鲁棒性，包括高波动期（如新冠疫情时期）。

提出的方法

• 使用波动率溢出指数与相关性矩阵构建动态、有向图，以表示8个主要全球指数之间的相互依赖关系。
• 采用时间图注意力网络（Temporal GAT），结合图卷积网络（GCNs）与图注意力网络（GATs），以随时间建模节点之间的局部与全局关系。
• 利用注意力机制动态加权邻近指数在波动率预测中的重要性，适应市场条件的变化。
• 在15年日频收盘价数据上训练模型，波动率通过高频实现度量方法估算。
• 应用超参数调优与交叉验证，以优化不同预测时 horizon（1、5、10、22天）下的模型性能。
• 开展留一法敏感性分析，以评估单个指数对整体预测准确性的贡献。

实验结果

研究问题

• RQ1 动态图神经网络架构是否能在短期与中期波动率预测中优于传统GARCH模型？

主要发现

• Temporal GAT模型在短期至中期预测（1–10天时 horizon）中，平均绝对百分比误差（MAPE）显著低于GARCH、GNN及其他机器学习基线模型。
• 模型在所有时 horizon 上均保持稳健表现，长期预测（5、10、22天）的MAPE稳定在13%至30%之间，尽管在高波动期（如GDAXI与FCHI）部分指数的误差偏高。
• 波动率溢出指数在图构建中优于基于相关性的方法，更有效地捕捉了冲击传播，提升了预测准确性。
• 标普500与DAX被识别为市场波动的关键驱动因素，其移除会显著降低模型性能；而恒生指数等则因较弱的溢出效应而引入噪声。
• 在新冠疫情爆发期间，Temporal GAT相较于传统模型保持了更高的预测准确性，展现出在极端市场压力下的韧性。
• 由于突发冲击与不确定性上升，模型在高波动性制度下表现出更高的预测误差，表明其性能对市场制度转换较为敏感。