Graph Portfolio: предиктор HFT-факторов через heterogeneous continual graph neural networks

3.5/10

Ключевые слова: continual learning; factor predictor; прогноз цен фьючерсов; graph neural network; spatio-temporal data.

Аннотация

Работа решает прогноз цен фьючерсов в HFT через continual factor predictor на graph neural networks. Модель связывает multi-factor pricing theory с рыночной динамикой в реальном времени, обходя ограничения методов без финансовой теории и без учёта трендовых сигналов и их взаимодействий.

Три heterogeneous задачи: регрессия moving average цены, регрессия price gap и change-point detection — для short-, intermediate- и long-term trend factors. Учитывается кросс-секционная корреляция контрактов; spatio-temporal GNN (STGNN) усиливает предсказание. Continual learning по всем задачам; важность параметров через mutual information между наблюдениями и признаками снижает catastrophic forgetting (CF). На 49 товарных фьючерсах Китая модель бьёт SOTA по точности.

1. Введение

HFT опирается на быструю обработку информации и исполнение; критичен прогноз краткосрочных колебаний, особенно на фьючерсах с плечом. Микроструктурный шум (Ait-Sahalia et al.) делает short-term trend труднее long-term.

Два пропущенных свойства данных: (1) отсутствие guidance от asset pricing — игнорируются MA, gap, changepoints и «golden cross» на разных горизонтах; (2) cross-sectional связи контрактов (supply chain, substitutes — нефть/смола, золото/серебро).

Из литературы факторов (Fama–French; momentum Jegadeesh–Titman; MA trend Han; momentum gap Huang; changepoints Lleo et al.) выделены три trend factors и четыре задачи:

• GAP — разрыв max–min на коротком интервале (short-term);
• MA — скользящее среднее (intermediate);
• CPD — change-point detection (long-term);
• PF — прогноз цены (price forecasting).

STGNN строит динамический граф корреляций между фьючерсами; continual learning по $\mathcal T=\{\mathrm{CPD},\mathrm{GAP},\mathrm{MA},\mathrm{PF}\}$ с mutual-information regularization вместо только quadratic surrogate (Zenke et al.) для борьбы с CF.

Вклад: (1) интеграция factor pricing и deep learning для HFT фьючерсов; (2) Heterogeneous Continual GNN (HCGNN) с MI-based parameter importance; (3) эмпирика на 49 китайских commodity futures.

2. Постановка задачи

Мультивариантный ряд $X\in\mathbb R^{N\times T}$ — $N$ контрактов, tick/high-frequency цены. На окне $X_{t-T:t-1}$ учим отображение $F:=g(f(X;\Theta);W)$: spatio-temporal module $f$ и link $g$ под downstream tasks.

Граф $G$ с весами $A\in\mathbb R^{N\times N}$ строится self-attention: $Q=XA_Q$, $K=XA_K$, $A=\mathrm{softmax}(QK^\top/\sqrt d)$. Четыре задачи делят признаки, но имеют разные target spaces: CPD — бинарная метка changepoint; GAP/MA — регрессии; PF — прогноз цены.

3. Модель HCGNN

Архитектура (Fig. 2 оригинала): graph representation layer $\Rightarrow$ residual spatio-temporal blocks $\Rightarrow$ task-specific heads $g^{(l)}$. Continual training: после задачи $l$ сохраняются важности параметров $\Omega$ через mutual information $I(X; f_\Theta(X))$ — параметры с высоким MI для прошлых задач сильнее штрафуются при обучении новой (Guo et al. 2022).

Loss — сумма по задачам с весами; для CPD — cross-entropy, для регрессий — MSE/MAE. Regularization по $\Omega$ mitigates CF при heterogeneity targets.

4. Эксперименты

Данные: tick-level китайские фьючерсы, 14–28 февраля 2022, 388 800 точек; после фильтрации — 49 активных контрактов; train/val/test 7:2:1; Z-score нормализация.

Метрики: MAE, RMSE, MAPE для PF/MA/GAP; precision, recall, F1 для CPD.

Бенчмарки: StemGNN, MTGNN, LSTNet, TPA-LSTM, Transformer, LSTM и др. HCGNN лучше по MAE/RMSE/MAPE на 1-min horizon; ablation показывает вклад continual learning и MI-regularization; без graph layer точность падает — cross-sectional связь важна. Визуализации gap prediction близки к ground truth на парах AU–AG, M–RM, P и др.

5. Заключение

HCGNN — factor predictor для spatio-temporal фьючерсных данных с graph learning корреляций между сортами. Четыре heterogeneous задачи (CPD, GAP, MA, PF) обучаются continually; MI-механизм борется с catastrophic forgetting. Результаты на китайском рынке поддерживают связку financial theory и GNN для торговых решений. Будущая работа — online adaptation, больше горизонтов и альтернативные graph priors по industrial chain.

Литература

• Fama, E.F. and French, K.R. Common risk factors in the returns on stocks and bonds. J. Financial Economics, 1993.
• Han, Y. Trend factor. 2014.
• Huang, S. The momentum gap and return predictability. Review of Financial Studies, 2022.
• Liu, H. et al. Overcoming catastrophic forgetting in graph neural networks. AAAI, 2021.
• Wu, Z. et al. Connecting the dots: multivariate time series forecasting with GNNs. KDD, 2020.
• Cao, D. et al. Spectral temporal graph neural network (StemGNN). NeurIPS, 2020.
• Guo, Y. et al. Online continual learning through mutual information maximization. ICML, 2022.

Полный список и таблицы I–II, Fig. 1–2 — в PDF.

Перевод: §§1–5 (основной текст). · arXiv:2303.16532 · лицензия arXiv nonexclusive-distrib 1.0