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

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.