本报告提出了一种结合图神经网络(GNN)与卷积神经网络(CNN)的混合模型GraphCNNPred,用于基于多元特征数据预测美国主要股指的短期趋势。通过构建相关性图,对股市特征信息进行节点间消息传递,并结合卷积层提取时间序列特征,模型在S&P 500、NASDAQ、DJI、NYSE和RUSSEL五大指数上实现了较基线方法4%至15%的F-measure提升,交易策略模拟表现Sharpe比率超过3,展现了较强的预测和实盘应用潜力.
F-measure最佳和均值表现统计:
| 算法 | S&P500 | DJI | NASDAQ | NYSE | RUSSEL |
|---|---|---|---|---|---|
| 2D-CNNpred | 0.5408 | 0.5562 | 0.5521 | 0.5472 | 0.5463 |
| 3D-CNNpred | 0.5532 | 0.5612 | 0.5576 | 0.5592 | 0.5787 |
| GAT | 0.5740 | 0.5495 | 0.5523 | 0.5544 | 0.5702 |
| GCN | 0.5310 | 0.5791 | 0.5590 | 0.5405 | 0.5574 |
| GAT-CNNpred | 0.5819 | 0.5861 | 0.5775 | 0.5907 | 0.5815 |
| GCN-CNNpred | 0.5866 | 0.5885 | 0.5741 | 0.5767 | 0.5954 |
GraphCNNPred模型(GAT-CNNpred和GCN-CNNpred)显著优于传统CNNpred和纯图模型。
利用(0,1,2)标签进行多分类预测,结合交易信号产生做多、做空或空仓策略。
模拟交易中,GraphCNNPred获得较高的Sharpe比率和Certainty-Equivalent(CEQ)收益,表明稳定的风险调整收益能力。部分结果举例如下:
| 策略 | S&P500 | DJI | NASDAQ | NYSE | RUSSEL | 组合 |
|---|---|---|---|---|---|---|
| Always Long | 0.1056 | 0.1472 | 0.1347 | 0.0753 | 0.0739 | 0.1143 |
| 2D-CNNpred | 0.1422 | 0.1703 | 0.1163 | 0.1039 | 0.08039 | 0.1302 |
| 3D-CNNpred | 0.1413 | 0.1344 | 0.1642 | 0.0830 | 0.0910 | 0.1458 |
| GAT | 0.1981 | 0.1980 | 0.1742 | 0.1597 | 0.1679 | 0.1822 |
| GCN | 0.1732 | 0.1801 | 0.1794 | 0.1345 | 0.1585 | 0.1684 |
| GAT-CNNpred | 0.2017 | 0.2191 | 0.2301 | 0.1882 | 0.1614 | 0.2116 |
| GCN-CNNpred | 0.1807 | 0.1805 | 0.2258 | 0.1848 | 0.1401 | 0.2123 |
与单纯持仓相比,GraphCNNPred改进了收益风险比,说明高效预测可正向推动交易策略表现。
报告标题:(论文无明确标题但可归纳为)“基于图神经网络和卷积神经网络的多数据源股市指数趋势预测模型——Graph-CNNpred”
作者:Yuhui Jin
机构:美国加州理工学院数学系(California Institute of Technology)
发布日期:2024年7月18日
研究主题:利用深度学习方法特别是图神经网络(GNN)结合卷积神经网络(CNN)技术,利用多样化数据源预测主要美国股市指数——标普500 (S&P 500),纳斯达克 (NASDAQ),道琼斯工业平均指数 (DJI),纽约证交所综合指数 (NYSE),拉塞尔2000 (RUSSEL) 的短期价格趋势。
核心论点与主要信息:
论文不涉及具体财务估值模型,而关注通过深度学习模型提升股市指数趋势预测的准确性和交易表现的量化方法。
论文未显式列出风险因素,推断下列潜在风险:
论文通过数据切分、标准化和多模型比较,间接缓解上述风险,但未详细讨论风险发生概率和直接缓解策略。
本文系统设计并实现了一套融合图神经网络和卷积神经网络的新型深度学习框架Graph-CNNpred,旨在基于多元异构金融数据预测美国五大重要股市指数的短期价格趋势。模型创新地利用特征间相关性构建图结构,实现了图层的消息传递以捕捉非线性依赖,并结合CNN擅长的时间序列特征提取能力,从而综合提升模型的表达力。
实验证明,该模型无论是在传统的预测准确率评价(F-measure),还是基于预测结果的交易策略绩效(Sharpe比率、CEQ收益)方面均显著优于之前的同类基线,包括经典的2D、3D CNNpred及纯图神经网络模型。5个指数均表现出明显提升,提升幅度在4%~15%之间,且交易模拟中经优化的图-CNN混合模型夏普比率超过3,盈利能力稳定且优于“始终做多”基准。
详尽的模型架构展示了图神经网络如何有效地提取每天特征间的结构信息,以及CNN如何捕获时间维度的动态变化,两者的有效结合突破了传统时序建模和独立特征处理的限制。多种布局方案、池化层设计、严格的数据预处理与标签体系,均保障了模型在金融复杂环境的适用性与表现。
整体而言,本文的Graph-CNNpred模型为金融时间序列及市场指数预测提供了一个创新且高效的框架,未来有望进一步应用于交易系统实盘策略中,并为金融智能分析开辟新的研究方向。,1,2,3,4,5,6,7,8,9]
附图示范:CNNpred模型架构示意
此论文对股市指数趋势预测问题进行了全面而深入的研究,巧妙地将最新图神经网络技术与传统CNN特征抽取结合,清晰展现了模型构造、数据准备、实验验证、量化交易应用的全流程。数据驱动的图结构设计和灵活CNN层组合有效提升了预测精度和实用性,展现了未来金融智能分析领域值得借鉴的范式。
2407.03760.pdf