[论文解读] Multivariate Realized Volatility Forecasting with Graph Neural Network
本文提出了一种用于波动率预测的图注意力网络（GTN-VF），这是一种多变量模型，通过图神经网络整合来自多个来源的限价单簿特征以及横截面和时间上的关联关系。在约500只标普500成分股上进行评估，GTN-VF在不同预测时 horizon 上显著优于单变量和多变量基准模型，实现了更优的短期实现波动率预测表现。
The existing publications demonstrate that the limit order book data is useful in predicting short-term volatility in stock markets. Since stocks are not independent, changes on one stock can also impact other related stocks. In this paper, we are interested in forecasting short-term realized volatility in a multivariate approach based on limit order book data and relational data. To achieve this goal, we introduce Graph Transformer Network for Volatility Forecasting. The model allows to combine limit order book features and an unlimited number of temporal and cross-sectional relations from different sources. Through experiments based on about 500 stocks from S&P 500 index, we find a better performance for our model than for other benchmarks.
研究动机与目标
- 通过建模股票之间超越单变量方法的依赖关系，提升短期实现波动率预测性能。
- 将时间与横截面关系等多样化关系数据整合进统一的波动率预测框架。
- 开发一种可扩展的基于图的深度学习模型，能够处理无限数量的关系源。
- 评估不同关系粒度（如GICS行业分类）对预测准确性的提升效果。
- 在不同流动性水平的股票以及不同节点连通性条件下，评估模型性能。
提出的方法
- 该模型采用图注意力网络（GTN-VF），将限价单簿特征与来自多个来源的关系数据作为动态图进行处理。
- 节点代表单只股票，边由多个关系源构建：GICS行业层级结构、特征相关性以及共同变动模式。
- 图结构支持无限数量的关系，实现对时间与横截面依赖关系的灵活整合。
- 图神经网络中的消息传递机制使每个节点能够聚合邻居信息，捕捉系统性风险溢出效应。
- 模型采用基于Transformer的架构，以捕捉时间与关系结构中的长程依赖。
- 通过在图结构数据上使用多头注意力机制进行训练，以实现对实现波动率预测的RMSPE最小化。
实验结果
研究问题
- RQ1图神经网络能否有效结合限价单簿数据与多个关系源，以提升多变量实现波动率预测性能？
- RQ2与单变量模型相比，引入横截面与时间关系是否显著提升预测准确性？
- RQ3基于行业的关系粒度（如行业 vs. 子行业）中，哪种粒度对波动率预测最优？
- RQ4模型性能是否在不同流动性水平的股票中存在显著差异？
- RQ5节点连通性如何影响预测准确性？模型是否从连接更紧密的节点中获益更多？
主要发现
- GTN-VF在所有测试的预测时 horizon 上，显著优于单变量与多变量基准模型，实现更优的实现波动率预测表现。
- 与朴素基线相比，GTN-VF在最活跃股票上实现RMSPE降低2%，在流动性最低的股票上实现最高达8%的RMSPE降低。
- 使用行业层级的GICS行业关系可实现性能与计算可行性的最佳平衡，测试RMSPE为0.2422。
- 增加更多边（如行业组或子行业）会轻微降低性能，表明关系质量比数量更为关键。
- 连通性更高的节点始终表现出更低的RMSPE，证实邻居信息聚合可有效提升预测准确性。
- 更长的预测与观测窗口可提升性能，因为长期时窗下波动率跳跃更易被检测。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。