通过图自编码器理解股市不稳定性
计算工程、金融与科学
2022-12-12 v1 计算金融
摘要
理解股市不稳定性是财务管理中的关键问题，从业者试图预测资产协同运动的崩解，此类崩解会使投资组合遭遇迅速且毁灭性的价值坍塌。这些协同运动的结构可描述为图：公司以节点表示，边刻画其价格运动间的相关性。学习协同运动崩解（表现为图结构的改变）的及时指标，对理解金融稳定性与波动率预测至关重要。我们提议将图自编码器 (GAE) 的边重建精度用作资产间空间同质连接程度的指标，并基于金融网络文献将其作为推断市场波动率的代理变量。我们对 2015–2022 年间标普 500 的实验表明，较高的 GAE 重建误差值与较高波动率相关。我们还显示，加入所提度量可改进波动率的样本外自回归建模。本文贡献于金融中机器学习文献，尤其在理解股市不稳定性方面。
引用
@article{arxiv.2212.04974,
title = {Understanding stock market instability via graph auto-encoders},
author = {Dragos Gorduza and Xiaowen Dong and Stefan Zohren},
journal= {arXiv preprint arXiv:2212.04974},
year = {2022}
}
备注
Submitted to Glinda workshop of the Neurips 2022 conference Keywords : Graph Based Learning, Graph Neural Networks, Graph Autoencoder, Stock Market Information, Volatility Forecasting