本报告提出将多通道图卷积网络(GCN)与长短期记忆网络(LSTM)相结合的创新框架,用于预测E-mini标普500和CBOE波动率指数(VX)期货的收益率、波动率及交易量。通过构造基于多种金融指标的相关网络,捕捉期货品种之间的高相关性与复杂交互关系,并在预测模型中实现信号传播,从而显著提升预测性能。研究验证了GCN-LSTM优于传统方法和纯LSTM网络,特别是在流动性较高的合约上表现最优。此外,结合经济意义的损失函数如Sharpe比率与Qlikelihood进一步增强模型实用价值.
报告标题:《A GCN-LSTM APPROACH FOR ES-MINI AND VX FUTURES FORECASTING》
作者:Nikolas Michael, Mihai Cucuringu, Sam Howison
发布机构:牛津大学统计系、数学研究所、Oxford-Man金融定量研究所、Alan Turing Institute
发布日期:2024年8月13日
主题:利用图卷积网络 (GCN) 和长短期记忆网络 (LSTM) 相结合的方法,对E-mini标准普尔500期货(ES)和CBOE波动率指数期货(VX)进行价格、波动率及交易量的预测。
本报告提出一种创新的基于图神经网络的数据驱动预测框架,结合了多通道Graph Convolutional Network(GCN)与Long Short-Term Memory(LSTM)网络的优势,针对ES和VX期货中不同到期产品作为图中不同节点的特性,将这些期货产品间的相关结构网络化,以提升对它们的价格、波动率及交易量的预测准确度。
整体目标是捕捉和利用这些产品间的强相关性,通过图结构对信息传播,实现对多种金融指标的联合、多维度预测。他们通过多图并行GCN层对LSTM输出做空间依赖校正,结合时间序列与空间网络结构的优势,提升预测能力。
关键词涵盖:期货市场、收益预测、图神经网络、信号传播。
1.1 期货介绍
期货因可全天候交易、较高杠杆效应以及便捷做空等优势,被广泛用于风险管理和投机。报告聚焦于不同到期时间的期货交互,提及了现有文献对VIX期货波动率期限结构的建模尝试,明确数据驱动预测多期限产品的创新意义。
1.2 SPX与VIX期货
介绍了ES期货(标准普尔500指数迷你合约,季度到期)和VX期货(月度到期)的市场背景及其经济含义。强调市场不同产品的价格发现动态,以及两类产品间基于标的及市场情绪的内在联系。
1.3 收益率、波动率与交易量之间的关系
报告指明ES与VX的收益率具有显著负相关,波动率与交易量正相关,这些被已有文献反复验证。强调其为构建图网络边权的统计基础。
1.4 图神经网络(GNN)背景
详细回顾了GNN及其发展,特别是Graph Convolutional Networks (GCN)在财务时间序列、股票预测和关联结构学习上的应用,标明其处理复杂图结构时间序列数据的优势。
1.5 本文主要贡献
本文结合不同时间跨度、不同金融指标产品构建复杂多图结构,利用多通道GCN层融合LSTM时间序列预测,创新性地联合考虑收益率、波动率和交易量三个变量的空间-时间预测,采用经济学意义上的损失函数(如夏普率)进行训练,提升实用性。
模块设计
报告采用为各产品分别部署的LSTM + 多层Dense层模块(图1),允许每产品学习不同权重,提高表达能力。模型资源消耗高但拟合更精准。
图卷积网络(GCN)设计具体细节
以单层GCN为基础,采用邻居信息的均值聚合(mean aggregation)更新节点隐藏层,权重矩阵和激活函数具体化。其中,对多图情形设计多组权重矩阵对应不同图邻接矩阵,体现多重空间关联。对14节点小型图,一层GCN足矣以捕获远邻信息。
LSTM复习
介绍了LSTM的门控机制及结构公式,说明其避免梯度消失爆炸,适合金融时间序列预测。
整体GCN-LSTM架构
如图2所示,各节点产品独立输入相应历史特征序列,经过LSTM+Dense后输入GCN层处理多张图以实现节点间信息互通,最终输出联合预测结果。
3.1 数据源和预处理
数据覆盖2014年1月至2023年12月的10年tick级Level-1订单簿数据,含8个月度VX期货、4个季度ES期货及其对应指数SPX、VIX。交易量通过统计订单簿更新次数的代理方法估算,清洗掉无流动性条目。
3.2 图构建方法
利用Spearman秩相关构建有符号(正负权重)带权及无权(以K近邻限制边)邻接矩阵,分为现时和滞后相关四类。矩阵经过列方向正负归一化避免全连接问题,体现了产品间的复杂相互作用。
3.3 图结构解析与讨论
通过图4、图5和表1的详情分析:ES(VX)产品在图中形成两大主群,且不同金融指标之间存在特征性连接模式,如收益率图内负边显著、流动性高的产品往往连接更多边、某些低流动性产品在特定图上连接度反常较高。复杂交叉边显示出市场多层次非线性交互关系,表明GCN层可充分发挥作用。
4.1 重要金融语义定义
设计基于bid-ask均价的k分钟收益率与交易信号,计算日累计盈亏与年化夏普比率(P&L, Sharpe Ratio)等关键指标,用于预测性能经济效用评估。预测目标包括收益率、对数实时波动率(log RV)和交易量变动率的百分比变化。
4.2 损失函数与度量
4.3 预测特征设计
利用多尺度(5~360分钟)订单流失衡(OFI)、k分钟收益率、正负半方差、指数加权收益和波动率、成交量及时间日周指标等多维金融特征,涵盖价格、波动性、流动性多角度。
4.4 多维基线模型与对比
设定OLS、LASSO、主成分回归(PCR)、随机森林、XGBOOST、纯ANN、LSTM及简单的基线模型作为对比,验证GCN-LSTM提升效果。
4.5 实验实现细节
用TensorFlow框架实现,模块配置及细节见表2。
展示了每个期货产品对应的LSTM+Dense模块结构。输入时间序列的多维特征先由LSTM层提取时序信息,再通过密集层组合抽象特征向量,为后续GCN层提供基础节点表示。此设计允许每节点单独学习个性化时间动态。
整体GCN-LSTM架构图。多节点模块并行工作后,利用多张预先计算的网络图进行特征传播。GCN层整合多维邻接关系强化节点间的空间依赖,最后输出预测。这体现了机器学习领域时间序列与图神经网络融合的典型范式。
基于ES和VX期货的小时收益率Spearman相关系数热力图。
6个金融变量之间关系的可视化有符号、有向无权邻接图网络。
同上图中各图的节点出度柱状图。
总结不同图中产品之间连接特性统计。支持图4与图5的发现,尤其横跨SPX与VIX两簇边多且复杂,结合成交量和波动性等不同变量交互,展现出动力网络结构的丰富维度。
GCN-LSTM模型各组件参数规格(层数、节点数、激活函数等),具体数值细览用于复现实验与评估模型复杂度。
展示多种模型在收益率、波动率及交易量指标上的预测表现,包括传统模型和深度学习模型。GCN-LSTM表现通常优异,尤其在收益率预测和部分波动率、交易量预测中。性能评估考虑SR、QLIKE、MAE等多指标,覆盖风险调整收益和拟合效果多方面。
GCN-LSTM收益率预测下的累积P&L曲线。
该报告属于预测模型构建和评估,不涉及传统企业估值方法(如DCF、P/E等),因此无估值模型讨论。
模型估值意义体现在用经济学意义的损失函数(Sharpe Ratio等)训练网络,使预测结果更适合投资决策和交易策略应用,而非无差别最小化误差。
报告未集中列出风险因素,但通过讨论我们可推断潜在风险包括:
未明确设缓解策略,但采用多模型对比、多指标评估来降低部分风险。
本报告提出了结合GCN与LSTM的多图多通道融合架构,针对ES及VX期货产品的收益率、波动率和交易量进行联合预测。研究中:
整体来看,本研究为期货市场基于复杂交叉时空网络关系的多目标预测提供了新方法论,与传统时间序列或机器学习模型相比,GCN-LSTM有效提升了预测性能和金融经济实用性,尤为适合流动性较强的主要产品。
图1模块设计
图2整体框架
图3收益率相关热图
图4六种图网络可视化
图5节点出度柱状图
图6累积盈亏图
本分析中引用报告页码示例如下(括号内页码为报告原文对应页):
综上所述,报告体现了基于图神经网络结合时间序列预测的高端金融量化研究,理论基础扎实,模型设计科学,实证结果充分,符合当前金融机器学习前沿趋势,具有良好的学术价值和应用潜力。
2408.05659.pdf