Financial asset price prediction with graph neural network-based temporal deep learning models

Name: Financial asset price prediction with graph neural network-based temporal deep learning models
Author: Uygun, Yasin

İsim	Financial asset price prediction with graph neural network-based temporal deep learning models
Yazar	Uygun, Yasin
Basım Tarihi:	2024
Konu	Graph theory, Combinatorial analysis, Deep learning (Machine learning), Machine learning, Time-series analysis, Financial risk, Mathematical models, Computer engineering
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	48fb9add-30ac-4eba-91f8-b8df2cae35a8
Lokasyon	Department of Computer Science
Tarih	2024
Örnek Metin	Multiple financial asset price changes over time can be characterized by their complex nature and the interdependence between them. More traditional forecasting approaches may overlook the interdependencies among these assets, since they may not fully consider the spatial-temporal dependencies between them. Graph Neural Networks (GNNs) have emerged as a powerful tool for modeling complex relational dependencies across various data types, recently taking more attention for their remarkable performance in areas such as social network analysis and traffic forecasting. The high capability of GNNs is mainly due to their permutation-invariance, and local connectivity. However, their application in asset price prediction remains relatively unexplored. Here, we investigate GNNs' effectiveness in forecasting multiple financial asset prices jointly, specifically focusing on Foreign Exchange (Forex) and cryptocurrency markets. We employ two spatio-temporal GNN frameworks: MTGNN and StemGNN where both are recognized for their state-of-the-art performance in forecasting multivariate time series. Both models are uniquely capable of transforming time series data into graphs, and capturing both spatial and temporal dependencies. Both methods significantly outperform LSTM in predicting financial asset prices, especially in highly volatile markets such as cryptocurrencies. However, the performance difference between these GNN-based multivariate approaches and LSTM is less obvious for the Forex market which is less volatile than cryptocurrencies. The ability to model interdependencies between multiple assets both temporally and spatially is the main reason StemGNN and MTGNN outperform LSTM. Through a series of experiments and backtesting strategies, we assess the predictive power and profitability of these models in portfolio construction. Our code can be found at https://github.com/seferlab/temporal_gnn., Çoklu finansal varlıkların zaman içindeki fiyat değişimleri, bu varlıkların karmaşık doğaları ve birbirlerine bağımlılıkları ile tanımlanabilir. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları tam olarak hesaba katmadığı için, varlıklar arasındaki bu bağımlılıkları göz ardı edebilir. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak öne çıkmış ve son zamanlarda sosyal ağ analizi ve trafik tahmini gibi alanlarda gösterdikleri olağanüstü performanslarla dikkat çekmiştir. GNN'lerin bu yüksek kapasitesi, özellikle permutasyona karşı değişmezliği ve yerel bağlantıları sayesindedir. Ancak, varlık fiyat tahminindeki uygulamaları hala yeterince araştırılmamıştır. Bu çalışmada, özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak, çoklu finansal varlık fiyatlarının tahmininde GNN'lerin etkinliğini incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. Her iki model de zaman serisi verilerini çizgeye dönüştürme ve hem uzaysal hem de zamansal bağımlılıkları yakalama konusunda benzersiz yeteneklere sahiptir. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntem de finansal varlık fiyatı tahmininde LSTM'den belirgin şekilde üstün performans göstermektedir. Bununla birlikte, GNN tabanlı çok değişkenli yöntemler ile LSTM arasındaki performans farkı, Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı bağımlılıkları hem zaman hem de uzay boyutunda modelleyebilme yetenekleri, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana sebebidir. Burada, bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.

Kaynağa git Özyeğin Üniversitesi

Aramaya Dön

Özyeğin Üniversitesi

Kaynağa git

Financial asset price prediction with graph neural network-based temporal deep learning models

Yazar Uygun, Yasin

Basım Tarihi 2024

Konu Graph theory, Combinatorial analysis, Deep learning (Machine learning), Machine learning, Time-series analysis, Financial risk, Mathematical models, Computer engineering

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası 48fb9add-30ac-4eba-91f8-b8df2cae35a8

Lokasyon Department of Computer Science

Tarih 2024

Örnek Metin Multiple financial asset price changes over time can be characterized by their complex nature and the interdependence between them. More traditional forecasting approaches may overlook the interdependencies among these assets, since they may not fully consider the spatial-temporal dependencies between them. Graph Neural Networks (GNNs) have emerged as a powerful tool for modeling complex relational dependencies across various data types, recently taking more attention for their remarkable performance in areas such as social network analysis and traffic forecasting. The high capability of GNNs is mainly due to their permutation-invariance, and local connectivity. However, their application in asset price prediction remains relatively unexplored. Here, we investigate GNNs' effectiveness in forecasting multiple financial asset prices jointly, specifically focusing on Foreign Exchange (Forex) and cryptocurrency markets. We employ two spatio-temporal GNN frameworks: MTGNN and StemGNN where both are recognized for their state-of-the-art performance in forecasting multivariate time series. Both models are uniquely capable of transforming time series data into graphs, and capturing both spatial and temporal dependencies. Both methods significantly outperform LSTM in predicting financial asset prices, especially in highly volatile markets such as cryptocurrencies. However, the performance difference between these GNN-based multivariate approaches and LSTM is less obvious for the Forex market which is less volatile than cryptocurrencies. The ability to model interdependencies between multiple assets both temporally and spatially is the main reason StemGNN and MTGNN outperform LSTM. Through a series of experiments and backtesting strategies, we assess the predictive power and profitability of these models in portfolio construction. Our code can be found at https://github.com/seferlab/temporal_gnn., Çoklu finansal varlıkların zaman içindeki fiyat değişimleri, bu varlıkların karmaşık doğaları ve birbirlerine bağımlılıkları ile tanımlanabilir. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları tam olarak hesaba katmadığı için, varlıklar arasındaki bu bağımlılıkları göz ardı edebilir. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak öne çıkmış ve son zamanlarda sosyal ağ analizi ve trafik tahmini gibi alanlarda gösterdikleri olağanüstü performanslarla dikkat çekmiştir. GNN'lerin bu yüksek kapasitesi, özellikle permutasyona karşı değişmezliği ve yerel bağlantıları sayesindedir. Ancak, varlık fiyat tahminindeki uygulamaları hala yeterince araştırılmamıştır. Bu çalışmada, özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak, çoklu finansal varlık fiyatlarının tahmininde GNN'lerin etkinliğini incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. Her iki model de zaman serisi verilerini çizgeye dönüştürme ve hem uzaysal hem de zamansal bağımlılıkları yakalama konusunda benzersiz yeteneklere sahiptir. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntem de finansal varlık fiyatı tahmininde LSTM'den belirgin şekilde üstün performans göstermektedir. Bununla birlikte, GNN tabanlı çok değişkenli yöntemler ile LSTM arasındaki performans farkı, Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı bağımlılıkları hem zaman hem de uzay boyutunda modelleyebilme yetenekleri, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana sebebidir. Burada, bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.