💰 quantitative finance

The Statistical Significance of the Inclusion of Graph Neural Networks in the Financial Time Series Forecasting Problem

Este artículo introduce el modelo Time-Geometric, que integra Redes Neuronales de Grafos para capturar patrones geométricos junto con datos temporales, demostrando mediante una evaluación empírica exhaustiva que este enfoque produce mejoras estadísticamente significativas en la precisión de la predicción de series temporales univariadas financieras.

Autores originales: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

Publicado 2026-05-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir el clima. La mayoría de los pronosticadores observan la línea temporal de los últimos días: "Ayer llovió, el día anterior estuvo nublado, así que probablemente lloverá hoy". Se centran por completo en el orden de los eventos.

Este artículo sostiene que, aunque observar la línea temporal es bueno, no es toda la historia. Los autores sugieren que si también observas la forma de los datos: cómo suben y bajan los números en relación entre sí, como una cordillera o una costa irregular, puedes hacer predicciones mucho mejores.

Aquí tienes un desglose de su investigación utilizando analogías simples:

1. El Problema: Solo Mirar el "Cuándo"

Los mercados financieros (como los precios de las acciones) son desordenados y ruidosos. Los modelos informáticos tradicionales (como las RNN, los Transformers y las TCN) son como corredores que solo miran la pista que tienen delante. Son excelentes para detectar patrones en el tiempo (por ejemplo, "todos los lunes el precio sube"), pero a menudo se pierden la imagen general de cómo está estructurada la data.

Los autores notaron que estos modelos rara vez verifican si sus mejoras son estadísticamente reales o simplemente adivinanzas afortunadas. Quisieron demostrar que añadir un nuevo "sentido" a estos modelos realmente marca una diferencia medible.

2. La Solución: El Modelo "Tiempo-Geométrico"

Los autores construyeron un nuevo sistema llamado Modelo Tiempo-Geométrico. Imagínalo como darle al ordenador un par de gafas 3D.

El Componente Temporal: Esta es la parte estándar. Observa los datos en línea recta (tiempo), igual que los modelos antiguos. Pregunta: "¿Qué pasó ayer? ¿Qué pasó el día anterior?"
El Componente Geométrico (El Secreto): Esta es la parte nueva. Los autores utilizan un truco llamado Gráfico de Visibilidad.
- La Analogía: Imagina que los precios de las acciones son una serie de barras verticales en un gráfico. El "Gráfico de Visibilidad" pregunta: "Si me paro encima de la barra del martes, ¿puedo ver la parte superior de la barra del viernes sin que una barra más alta bloquee mi vista?"
- Si puedes verla, dibujas una línea conectándolas.
- Al hacer esto para cada punto, la línea recta del tiempo se convierte en una red o una telaraña (un grafo). Esta red captura la forma y la estructura de los datos, revelando patrones ocultos como fractales o caos aleatorio que una línea recta pasa por alto.

3. Cómo lo Probaron

No solo adivinaron; realizaron un experimento masivo.

Los Datos: Utilizaron 90 acciones diferentes del S&P 100 (las empresas más grandes de EE. UU.).
La Configuración: Tomaron 8 tipos diferentes de modelos de pronóstico estándar (los corredores de "Tiempo") y les dieron un compañero: una Red Neuronal de Grafos (GNN). La GNN es un tipo especial de IA diseñada para entender redes y conexiones.
El Objetivo: Querían ver si el equipo "Tiempo + Geometría" podía predecir el precio futuro de una acción mejor que el equipo "Solo Tiempo".

4. Los Resultados: ¿Importa la Forma?

La respuesta es un rotundo sí, pero con un giro.

La Mejora: En muchos casos, añadir la "red" geométrica ayudó a los modelos a predecir los precios con mayor precisión. Fue como darle a un corredor un mapa del terreno, no solo de la pista.
El Giro (Significancia Estadística): Los autores hicieron algo raro en este campo: realizaron pruebas estadísticas estrictas (como un árbitro revisando la puntuación con un cronómetro). Descubrieron que si la mejora era "estadísticamente significativa" (es decir, que no era solo suerte) dependía de cómo medías el éxito.
- Si medías el éxito por "qué tan lejos estaba la predicción" (RMSE), el modelo geométrico ganó por mucho para ciertos tipos de IA.
- Si lo medías de manera diferente (como el error porcentual), los resultados cambiaban.
- Hallazgo Clave: El modelo "Tiempo-Geométrico" no ganó cada carrera individual, pero cuando ganó, fue una victoria real, no un capricho. Específicamente, mostró mejoras masivas cuando se emparejó con ciertos modelos como los Transformers y las TCN.

5. La Conclusión

El artículo concluye que los datos financieros no son solo una línea; tienen una forma. Al utilizar Redes Neuronales de Grafos para analizar esa forma (la "geometría") junto con la línea temporal, podemos mejorar significativamente nuestra capacidad para pronosticar el futuro.

Sin embargo, los autores advierten que no puedes simplemente decir "es mejor" sin verificar las matemáticas. Dependiendo de qué "regla" (métrica) uses para medir los resultados, el ganador podría cambiar. Pero en general, observar la geometría de los datos es una nueva herramienta poderosa para comprender los mercados financieros.

Resumen Técnico: La Significancia Estadística de la Inclusión de Redes Neuronales de Grafos en la Predicción de Series Temporales Financieras

Declaración del Problema

La predicción de series temporales univariadas en los mercados financieros es inherentemente desafiante debido al ruido en los datos y la naturaleza estocástica de los precios de los activos. Aunque existen numerosos modelos estadísticos (por ejemplo, ARIMA) y de aprendizaje profundo (por ejemplo, RNN, Transformers, TCN), estos se centran predominantemente en analizar patrones temporales dentro de los datos. Estos modelos a menudo descuidan los patrones geométricos inherentes a la estructura de la serie temporal. Además, los estudios comparativos previos carecen frecuentemente de un análisis estadístico riguroso para validar las mejoras en el rendimiento, fallando a menudo en determinar si las diferencias observadas son estadísticamente significativas según criterios establecidos. Esta investigación aborda esta brecha investigando si la inclusión de patrones geométricos, capturados mediante Redes Neuronales de Grafos (GNN), produce mejoras estadísticamente significativas en la precisión de la predicción para series temporales financieras univariadas.

Metodología

El Marco Temporal-Geométrico

Los autores proponen el modelo Temporal-Geométrico, una arquitectura híbrida diseñada para explotar tanto los patrones temporales como los geométricos. El modelo consta de tres componentes principales:

Construcción del Grafo de Visibilidad: La innovación central reside en transformar la serie temporal univariada en una representación de grafo utilizando el algoritmo de Grafo de Visibilidad. Este método mapea los puntos de datos de la serie temporal a nodos y establece aristas basadas en la visibilidad de línea de visión entre los puntos. Esta transformación preserva las propiedades estructurales, permitiendo que el modelo discerna si la serie subyacente es periódica, aleatoria o fractal. El grafo resultante se codifica como una matriz de adyacencia ( $A_t$ ).
Componente Temporal: Este componente procesa la matriz de características ( $X_t$ ) que contiene observaciones históricas (por ejemplo, Apertura, Máximo, Mínimo, Cierre, Volumen) utilizando arquitecturas estándar de redes neuronales. El estudio evalúa varias líneas base, incluyendo LSTM, GRU, RNN, BiLSTM, BiGRU, Transformers y TCN.
Componente Geométrico: Este componente procesa la matriz de adyacencia ( $A_t$ ) y la matriz de características ( $X_t$ ) utilizando Redes Neuronales de Convolución en Grafos (GCN) para extraer patrones geométricos. La salida de las capas de GCN se procesa adicionalmente mediante una capa LSTM para capturar dependencias temporales dentro de los patrones geométricos.
Componente Totalmente Conectado: Los patrones temporales del Componente Temporal y los patrones geométricos del Componente Geométrico se suman (y opcionalmente se concatenan con las características originales mediante una conexión de salto) y se pasan a través de una red totalmente conectada para generar la predicción final.

Configuración Experimental

Conjunto de Datos: El estudio utiliza 90 series temporales univariadas que representan los componentes del índice Standard & Poor 100 (S&P100). Los datos incluyen observaciones diarias de Cierre, Apertura, Máximo, Mínimo y Volumen desde enero de 2015 hasta junio de 2023.
Evaluación: Los modelos se evalúan en tres horizontes de predicción: diario (1 día), semanal (5 días) y mensual (20 días).
Métricas: El rendimiento se mide utilizando el Error Cuadrático Medio Raíz (RMSE), el Error Absoluto Medio (MAE), el Error Porcentual Absoluto Medio (MAPE) y el Error Escalado Absoluto Medio (MASE).
Análisis Estadístico: Para determinar la significancia, los autores emplean:
- Comparaciones Pareadas: Pruebas t pareadas, pruebas de rangos con signo de Wilcoxon y pruebas de signos que comparan los modelos de línea base con sus contrapartes Temporal-Geométricas.
- Comparaciones Múltiples: La prueba de Friedman seguida de la prueba post-hoc de Nemenyi para clasificar todos los algoritmos simultáneamente y controlar los errores de Tipo I.

Resultados Clave

Rendimiento Numérico

El modelo Temporal-Geométrico generalmente demuestra un rendimiento mejorado sobre los modelos de línea base, particularmente cuando la línea base utiliza arquitecturas Transformer o TCN. Para predicciones a 1 día, el modelo Temporal-Geométrico que incorpora TCN (TG(TCN)) logró el RMSE promedio más bajo (1.1420) y el MAPE más bajo (0.5658), superando significativamente a la línea base TCN. Sin embargo, la magnitud de la mejora varía según la métrica y la arquitectura del modelo; por ejemplo, las mejoras fueron menos pronunciadas o inconsistentes para ciertas líneas base basadas en RNN dependiendo de la métrica de error específica utilizada.

Significancia Estadística

El análisis estadístico revela que la significancia de incluir patrones geométricos es dependiente de la métrica y dependiente del horizonte:

Dependencia de la Métrica: En comparaciones pareadas, modelos como $\Delta$ -Transformer y $\Delta$ -TCN mostraron significancia estadística consistente (rechazo de la hipótesis nula) en todas las métricas para predicciones a 1 día. Por el contrario, modelos como $\Delta$ -RNN mostraron aceptación de la hipótesis nula para varias métricas, lo que indica que la inclusión geométrica no mejoró estadísticamente el rendimiento para esa línea base específica bajo esas métricas.
Dependencia del Horizonte: La significancia estadística de los resultados cambia con el horizonte de predicción. Para predicciones a 5 días y 20 días, la consistencia del rechazo estadístico varía, lo que sugiere que la utilidad de los patrones geométricos puede cambiar a medida que se extiende la ventana de predicción.
Comparaciones Múltiples: Las pruebas de Friedman y Nemenyi confirmaron que existen diferencias estadísticamente significativas entre el conjunto de todos los algoritmos. Los modelos Temporal-Geométricos a menudo lograron rangos promedio superiores, particularmente para el horizonte de 5 días, donde TG(BILSTM) y TG(GRU) funcionaron notablemente bien.

Afirmaciones y Significancia

El artículo afirma avanzar en el dominio de la predicción de series temporales univariadas mediante:

Introducción del Modelo Temporal-Geométrico: Un marco novedoso que integra GNN dinámicas con redes neuronales de series temporales de línea base mediante grafos de visibilidad.
Provisión de Validación Estadística Rigurosa: A diferencia de muchos estudios previos que se basan únicamente en métricas de rendimiento promedio, esta investigación aplica extensas pruebas de hipótesis estadísticas (comparaciones pareadas y múltiples) en 90 conjuntos de datos financieros.
Demostración de Significancia Condicional: Los autores concluyen que aprovechar los patrones geométricos produce mejoras estadísticamente significativas en la precisión de la predicción, pero señalan explícitamente que esta significancia depende de la elección de la métrica de evaluación y del horizonte de predicción.

El artículo no afirma que los patrones geométricos superen universalmente a los patrones temporales en todos los escenarios. En cambio, postula que la inclusión de información geométrica proporciona una mejora estadísticamente verificable en contextos específicos, particularmente cuando se combina con ciertas arquitecturas de aprendizaje profundo como Transformers y TCN. Se sugiere trabajo futuro para explorar el comportamiento de las métricas de evaluación y la significancia de los patrones geométricos en conjuntos de datos de series temporales más diversos más allá del dominio financiero.