用于资产管理的图神经网络（法国AMUNDI研究）
由crisvalentine创建，最终由bq4bwe5g 被浏览 60 用户
论文原名
《Graph Neural Networks for Asset Management》
论文作者
格雷瓜尔·帕克罗-定量研究
fr埃德蒙·莱兹米-定量研究
徐佳丽-定量研究
引言
孤立地分析一项资产是不可能的，没有考虑更广泛的市场前景。这一事实背后是联结词或向量的广泛使用金融中的自回归模型，允许建模资产之间的依赖关系。在本文中，我们看基于图的方法来模拟资产间的行为。图表在表示关系时无处不在，无论是模拟社交网络互动、疾病传播、交通、或供应链信息。它允许一个非常直观的市场互连的代表。我们展示如何可以翻译多种类型的市场信息进入图表并展示一些基于图表的市场工具分析。此外，神经卷积层具有已开发出允许更具表现力的神经楷模。就像图像上的欧几里得卷积层一样，他们承诺在此期间将每个单独的资产情境化预言。我们展示了三个图神经网络的效果股票收益预测问题的层次。使用这些预测，我们建立投资组合并显示图表层作为 LSTM 等经典方法的稳定器，降低交易成本，滤除高频信号。我们还研究了不同的基于图的效果有关预测的信息并观察到，在 2021 年，供应链信息变得更加翔实而不是基于部门或基于相关性的图表。
简介
深度学习在图像识别等问题上表现良好，其中算法可以将每个像素解释为更大图片的一部分。所谓的卷积层分析每个相邻像素上下文中图片的一部分。这允许生成算法以真实、有机的方式正确再现照片和绘画的结构方式。就像图像中的像素一样，金融资产也不是孤立存在的。他们的分析受益于研究市场的基本结构。例如，在控制投资组合的风险敞口时必须考虑资产之间的相关性市场风险，使用 copula 等工具。资产之间的其他类型的关系是对于构建市场相互依存关系的完整图景也至关重要。如果一个人想要要使用机器学习建立投资组合，这种结构信息必须是合并。试图转录市场结构时的主要问题是，与图像相反，很难在欧几里得空间中表示它。然而，向量、图像的卷积层和形状基于欧几里得距离。每个元素都与最接近的元素进行卷积到它。市场关系更复杂，它们发生在不同的层次，每个层次都有不同的强度和相关性。关系可以是布尔值，例如，如果两只股票来自相似的部门，或者如果它们通过相关性联系在一起，则为实值。最自然的方式通过图来表示这种结构的多样性。最近，图神经网络引起了许多研究人员的关注。用于模拟非欧几里得关系的字段。图神经层现在是医学分子的研究（斯托克斯等人。, 2020)，他们可以对交通进行建模（Wu et al. , 2018)并分析参考书目等中的关系。它们使数据的结构能够独立于它们的个体特征进行编码，依赖于信息通过图表。特别是，在查看供应时，图表自然会出现链信息（吴和伯奇, 2014）。在本文中，我们研究了图表如何模拟股票间关系以告知投资组合建设。我们的研究着眼于资产图表的几种确定性用途管理，但它的主要重点是图神经网络。第2节简要介绍了图论介绍，并附有一些自然发生的图结构的例子金融。第3节在此介绍的基础上介绍了从以下方面获益的神经层这种结构来传播信息。第4节将传播的思想扩展到图的泛化，也带有神经层。最后，第5节规定我们的实验设置和第6节我们的结果。
论文PDF
/wiki/static/upload/69/69afe122-6ecf-4942-8371-76132055e66a.pdf
\