[论文解读] Price graphs: Utilizing the structural information of financial time series for stock prediction

Junran Wu, Ke Xu+3 more|arXiv (Cornell University)|Jun 4, 2021

Stock Market Forecasting Methods参考文献 50被引用 5

一句话总结

该论文提出了一种基于图的框架，将股票价格时间序列转化为复杂网络，以捕捉长期依赖关系并缓解价格行为的混沌性。通过提取结构信息——节点权重和图嵌入，该方法增强了深度学习模型中的注意力机制，在股票预测任务中达到最先进性能，并在交易模拟中的累计利润方面优于基线模型。

ABSTRACT

Great research efforts have been devoted to exploiting deep neural networks in stock prediction. While long-range dependencies and chaotic property are still two major issues that lower the performance of state-of-the-art deep learning models in forecasting future price trends. In this study, we propose a novel framework to address both issues. Specifically, in terms of transforming time series into complex networks, we convert market price series into graphs. Then, structural information, referring to associations among temporal points and the node weights, is extracted from the mapped graphs to resolve the problems regarding long-range dependencies and the chaotic property. We take graph embeddings to represent the associations among temporal points as the prediction model inputs. Node weights are used as a priori knowledge to enhance the learning of temporal attention. The effectiveness of our proposed framework is validated using real-world stock data, and our approach obtains the best performance among several state-of-the-art benchmarks. Moreover, in the conducted trading simulations, our framework further obtains the highest cumulative profits. Our results supplement the existing applications of complex network methods in the financial realm and provide insightful implications for investment applications regarding decision support in financial markets.

研究动机与目标

• 解决金融时间序列中的长期依赖关系和混沌价格行为问题，这些问题限制了深度学习模型的性能。
• 利用时间序列图中的结构信息，提升股票价格预测能力。
• 通过将节点权重作为先验知识，改进深度学习模型中的注意力机制。
• 通过真实世界股票数据和交易模拟，验证该框架的有效性。
• 基于复杂网络理论，为投资者和监管机构提供一种新型、数据驱动的决策支持工具。

提出的方法

• 使用VG（可视性图）算法将原始股票价格时间序列转化为图，将时间动态编码为网络拓扑结构。
• 提取图嵌入，以表示时间点之间的长程关联关系，并作为输入输入到深度学习模型中。
• 利用从时间序列值中提取的节点权重，作为先验知识，引导时间注意力机制。
• 将图嵌入与节点权重整合到具有自注意力机制的深度学习架构中，以提升特征学习能力。
• 采用混合模型（CA-SFCN），结合基于图的结构特征与序列建模能力，以增强预测性能。
• 通过真实世界股票数据和模拟交易环境中的对比实验，验证该框架。

实验结果

研究问题

• RQ1 从时间序列图中提取的结构信息是否能改善股票价格预测中的长期依赖建模？
• RQ2 价格图中的节点权重是否可作为有效先验知识，以稳定混沌金融时间序列中的注意力机制？
• RQ3 将基于图的结构特征引入模型，是否能带来优于使用原始价格数据的预测性能？
• RQ4 与最先进基线模型相比，所提出的框架是否能在模拟交易中生成更高的累计利润？
• RQ5 复杂网络表示在多大程度上能保留用于金融预测的潜在动态？

主要发现

• 在真实世界股票数据上，该框架在所有最先进基线模型中实现了最高的预测准确率。
• 在模拟交易环境中，该框架产生的累计净利润最高，优于CA-SFCN和DARNN-SA。
• 图嵌入与节点权重的集成显著提升了模型对混沌价格波动的鲁棒性。
• 通过图表示中显式边的保留，模型有效捕捉了远距离时间关联，从而实现了长期依赖的建模。
• 时间序列图中的结构信息比仅使用原始价格数据更具预测信息量。
• 该框架通过支持更好决策和系统性风险监控，展示了对机构投资者和监管机构的实际应用价值。