[论文解读] GraphCNNpred: A stock market indices prediction using a Graph based deep learning system

Yuhui Jin|arXiv (Cornell University)|Jul 4, 2024

Stock Market Forecasting Methods被引用 6

一句话总结

本研究将图神经网络与 CNNpred 相结合，以预测主要股票指数的趋势，在基线基础上实现 4–15% 的 F-measure 增益，并在夏普比率超过 3 的交易模拟中实现。

ABSTRACT

The application of deep learning techniques for predicting stock market prices is a prominent and widely researched topic in the field of data science. To effectively predict market trends, it is essential to utilize a diversified dataset. In this paper, we give a graph neural network based convolutional neural network (CNN) model, that can be applied on diverse source of data, in the attempt to extract features to predict the trends of indices of ext{S}\& ext{P} 500, NASDAQ, DJI, NYSE, and RUSSEL. The experiments show that the associated models improve the performance of prediction in all indices over the baseline algorithms by about $4\% ext{ to } 15\%$, in terms of F-measure. A trading simulation is generated from predictions and gained a Sharpe ratio of over 3.

研究动机与目标

• 使用多样化数据源来提升股票指数预测的动机。
• 提出一个 Graph-CNN 混合模型（GAT/GCN + CNNpred），以提取日特征与时序特征。
• 在主要指数上评估预测性能，并与 CNNpred 基线及纯图方法进行比较。
• 通过在模拟投资组合中的夏普比率和 CEQ 来展示交易可行性。

提出的方法

• 构建一个特征相关图，以 138 个特征作为节点，边表示相关性大于 0.7 的特征相关性。
• 使用 Graph Attention Network (GAT) 或 Graph Convolutional Network (GCN) 层，在相关特征之间传播信息。
• 结合 CNNpred 风格的持续特征提取，使用 CNN 层捕捉时序模式。
• 用 pooling（均值、最大值，或全连接）聚合图与 CNN 特征，形成用于预测的最终表征。
• 使用二元标签（0,1）或 0/1/2 标签方案对短期回报进行训练，最终层使用 sigmoid 以输出概率，或使用 softmax/CEQ 输出多类。
• 通过将 macro F-measure 用于 0/1 标注，和交易指标（Sharpe、CEQ）用于 0/1/2 标注来评估。

实验结果

研究问题

• RQ1 基于图的方法与 CNNpred 的整合是否能在短期股票指数趋势预测上优于仅使用 CNNpred 或纯图方法？
• RQ2 不同的图聚合策略和 GNN 变体（GAT 与 GCN）如何影响对主要指数的预测性能？
• RQ3 当预测驱动对多个指数的多头/空头策略的模拟交易时，交易表现（Sharpe、CEQ）如何？

主要发现

• GCN-CNNpred 与 GAT-CNNpred 在各指数的平均 F-measure 上持续优于 CNNpred 基线和纯图基线。
• 最佳单指数结果（Table 1）显示 GCN-CNNpred 在若干指数上取得最高的 F-measures（如 S&P 500: 0.5866； NASDAQ: 0.5885； NYSE: 0.5767； RUSSELL: 0.5954）。
• 带有 CNN 集成的基于图的变体在 Baselines 上实现了显著提升（4% 到 15% 的 F-measure）。
• 这些模型可实现夏普率高于基线策略的交易模拟，表明具备实际交易可行性。
• 聚合选择（mean、max、fully connected）经评估并基于性能进行选择，有助于实现稳健的预测。