[论文解读] Exploiting Supply Chain Interdependencies for Stock Return Prediction: A Full-State Graph Convolutional LSTM

Chang Liu|arXiv (Cornell University)|Mar 7, 2023

Stock Market Forecasting MethodsDecision Sciences被引用 3

一句话总结

该论文提出了一种LSTM-GCN模型，通过图结构化的价值链利用供应链相互依赖关系，以提升股票收益预测的准确性。通过结合图卷积网络捕捉公司之间的空间依赖关系，以及利用LSTM模型捕捉时间动态，该方法在Eurostoxx 600和S&P 500数据集上均实现了更高的预测精度，并获得了显著的超额收益。

ABSTRACT

Stock return prediction is fundamental to financial decision-making, yet traditional time series models fail to capture the complex interdependencies between companies in modern markets. We propose the Full-State Graph Convolutional LSTM (FS-GCLSTM), a novel temporal graph neural network that incorporates value-chain relationships to enhance stock return forecasting. Our approach features two key innovations: First, we represent inter-firm dependencies through value-chain networks, where nodes correspond to companies and edges capture supplier-customer relationships, enabling the model to leverage information beyond historical price data. Second, FS-GCLSTM applies graph convolutions to all LSTM components - current input features, previous hidden states, and cell states - ensuring that spatial information from the value-chain network influences every aspect of the temporal update mechanism. We evaluate FS-GCLSTM on Eurostoxx 600 and S&P 500 datasets using LSEG value-chain data. While not achieving the lowest traditional prediction errors, FS-GCLSTM consistently delivers superior portfolio performance, attaining the highest annualized returns, Sharpe ratios, and Sortino ratios across both markets. Performance gains are more pronounced in the denser Eurostoxx 600 network, and robustness tests confirm stability across different input sequence lengths, demonstrating the practical value of integrating value-chain data with temporal graph neural networks.

研究动机与目标

• 通过在传统价格数据之外引入供应链相互依赖关系，提升股票收益预测的准确性。
• 基于供应商-客户关系，利用图卷积网络（GCN）建模公司之间的空间依赖关系。
• 利用长短期记忆（LSTM）网络捕捉股票收益序列中的时间动态。
• 在预测误差和投资组合盈利能力方面，评估该模型相对于基线模型的性能表现。
• 评估该模型在不同滚动窗口长度下的预测能力稳健性。

提出的方法

• 构建一个图结构，其中节点代表公司，边代表来自价值链数据的供应商-客户关系。
• 使用基于历史股票收益提取的节点特征来表示图中的每家公司的状态。
• 应用图卷积网络（GCN）从图中提取空间依赖关系和拓扑结构。
• 整合LSTM网络以建模节点特征的时间演化过程，并捕捉收益序列中的长期依赖关系。
• 将GCN与LSTM结合在一个统一的架构（LSTM-GCN）中，联合建模空间与时间模式。
• 使用平均绝对误差（MAE）和均方误差（MSE）作为损失函数，端到端训练模型。

实验结果

研究问题

• RQ1 通过图结构建模供应链相互依赖关系，是否能提升股票收益预测的准确性？
• RQ2 GCN与LSTM的集成是否在捕捉金融数据中的空间与时间依赖关系方面优于独立的基线模型？
• RQ3 LSTM-GCN模型是否能在模拟的市场中性交易策略中产生具有经济意义的超额收益？
• RQ4 该模型的预测性能在不同市场指数和滚动窗口长度下是否具有稳健性？
• RQ5 通过统计检验验证，该模型的性能是否显著优于简单的均值预测基线？

主要发现

• 在Eurostoxx 600数据集上，LSTM-GCN模型的MAE（7.1993 × 10⁻⁴）和MSE（1.6607 × 10⁻²）最低，优于所有基线模型。
• 在S&P 500数据集上，LSTM-GCN模型实现了最高的年化收益率（5.8904%）和夏普比率（0.5345），表明其风险调整后表现更优。
• 在回测的市场中性策略中，该模型实现了最高的累计收益和索提诺比率，证明了其经济显著性。
• 稳健性测试显示，对于Eurostoxx 600，滚动窗口为50、60、70和80天时，R²显著大于零（p < 0.001）。
• 对于S&P 500，R²在50天和60天滚动窗口下显著大于零，p值分别为2.569 × 10⁻⁷和7.286 × 10⁻¹⁰。
• 该模型的性能显著优于均值预测基线，证实其预测能力超越了随机偶然性。