ВИКОРИСТАННЯ ЕВОЛЮЦІОНУЮЧОЇ ГРАФОВОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ПРОГНОЗУВАННЯ ЦІН НА ФОНДОВОМУ РИНКУ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.2.2.24Ключові слова:
прогнозування, фінансовий ринок, акції, взаємозв’язок, граф зв’язків, еволюція, графова нейронна мережа, штучна імунна мережаАнотація
Прогнозування цін на акції має важливе значення для ухвалення обґрунтованих інвестиційних рішень на фінансовому ринку. Аналіз рухів фінансового ринку та поведінки цін на акції надзвичайно складний через динамічну, нелінійну, нестаціонарну, непараметричну та хаотичну природу ринків. Для аналізу акцій з метою прогнозування фінансового ринку використовуються різні підходи. Традиційні методи, що засновані на інформації про часові ряди для акцій однієї компанії, не враховують взаємозв’язки між акціями інших компаній. Використання для цих цілей графових нейронних мереж (Graph Neural Networks – GNN), у яких взаємозв’язки часових рядів представлені як структура графа, а змінні представлені як вузли графа, значно підвищує точність прогнозування. Існуючі методи прогнозування зазвичай припускають, що структура графа взаємозв’язків, яка описується матрицею відносин та визначає метод агрегації графової нейронної мережі, фіксована за визначенням. Тому вони не можуть ефективно враховувати динамічні зміни у графах взаємозв’язків. У даній роботі для прогнозування цін акцій на фінансовому ринку пропонується використання еволюціонуючої графової нейронної мережі. Для отримання динамічних кореляцій між рухами цін у фінансових часових рядах будується граф взаємозв’язків у вигляді кластерів, генерація та еволюція структури та параметрів якої реалізуються з використанням дендритної штучної імунної мережі (Dendritic Artificial Immune network – DaiNet). До кожного згенерованого кластера графа взаємозв’язків для визначення цінової інформації виконується кодування цін за допомогою трансформерів. Потім повідомлення із структури графа взаємозв’язків та вхідні часові послідовності агрегуються на основі використання шару уваги часового графа. На останньому шарі GNN виконується остаточний прогноз майбутнього руху ціни кожної акції з використанням багатошарового персептрона. Проведені експериментальні дослідження показали, що використання динамічної побудови графів та кластеризації акцій на основі DaiNet не лише відстежує часовий характер зв’язків між акціями, але й покращує ефективність прогнозування.
Посилання
Shih S.-Y., Sun F.-K., and Lee H.-Y. Temporal pattern attention for multivariate time series forecasting. Machine Learning 108, 8, 2019, pp. 1421–1441. DOI: 10.48550/arXiv.1809.04206
Patel M., Jariwala K., and Chattopadhyay C. A Systematic Review on GNN-based Methods for Stock Market Forecasting. ACM Computing Surveys, Vol. 57, Iss. 2, Art. No 34, 2024, pp. 1–38. https://doi.org/10.1145/3696411
Cheng D., Yang F., Xiang S., and Liu J. Financial time series forecasting with multi-modality graph neural network. Pattern Recognition 121, 2022, 108218. https://doi.org/10.1016/j.patcog.2021.108218
Li W., Bao R., Harimoto K., Chen D., Xu J., and Su Q. Modeling the Stock Relation with Graph Network for Overnight Stock Movement Prediction. In IJCAI, 2020, pp. 4541–4547. https://doi.org/10.24963/ijcai.2020/626
Jin Z., Yang Y., & Liu Y. Stock closing price prediction based on sentiment analysis and LSTM. Neural Computing and Applications, 32 (13), 2020, pp. 9713–9729. https://doi.org/10.1007/s00521-019-04504-2
Liu W., Zhang Y., Wang J., He Y., Caverlee J., Chan P., Yeung D.S., and Heng P.-A. Item Relationship Graph Neural Networks for E-Commerce. IEEE Transactions on NNLS, 2021, pp. 1–15. DOI: 10.1109/TNNLS.2021.3060872
Wu Z., Pan S., Chen F., Long G., Zhang C., and Philip S.Y. A comprehensive survey on GNN. IEEE Transactions on NNLS, 32, 1, 2020, pp. 4–24. https://doi.org/10.48550/arXiv.1901.00596
Sawhney R., Agarwal S., Wadhwa A., and Shah R. Deep Attentive Learning for Stock Movement Prediction from Social Media Text and Company Correlations. In Proceedings of the Conference on Empirical Methods in NLP, 2020, pp. 8415–8426. DOI: 10.18653/v1/2020.emnlp-main.676
Wu Z., Pan S., Long G., Jang J., and Zhang C. Graph wavenet for deep spatial-temporal graph modeling. arXiv preprint arXiv:1906.00121, 2019. https://doi.org/10.48550/arXiv.1906.00121
Zhang Q., Chang J., Meng G., Xiang S., and Pan C. Spatio-temporal graph structure learning for traffic forecasting. In Proceedings of the AAAI Conference on Artificial Intelligence, V. 34, 2020, pp. 1177–1185. DOI: 10.1609/aaai.v34i01.5470
Korablyov M., Fomichov O., Antonov D., Dykyi S., Ivanisenko I., and Lutskyy S. A hybrid stock analysis model for financial market forecasting. IEEE Proceedings of the 18th Intern. Confer. on Computer Science and Information Technologies, 2023, pp. 1–4. DOI: 10.1109/CSIT61576.2023.10324069
Xu M., Dai W., Liu C., Gao X., Lin W., Qi G. J., and Xiong H. Spatial-temporal transformer networks for traffic flow forecasting. ArXiv abs/2001.02908, 2020. https://doi.org/10.48550/arXiv.2001.02908
Korablyov M., Fomichov O., Ushakov M., and Khudolei M. Dendritic Artificial Immune Network Model for Computing. Proceedings of the 7th International Conference on Computational Linguistics and Intelligent Systems (CoLInS 2023), 2023, pp. 206–217. https://ceur-ws.org/Vol-3403/
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
