💰 quantitative finance

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

Questo articolo introduce il modello Time-Geometric, che integra le Reti Neurali su Grafo per catturare pattern geometrici insieme ai dati temporali, dimostrando attraverso una valutazione empirica estesa che tale approccio produce miglioramenti statisticamente significativi nell'accuratezza della previsione delle serie temporali finanziarie univariate.

Autori originali: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

Pubblicato 2026-05-21

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di prevedere il tempo. La maggior parte dei meteorologi guarda la cronologia degli ultimi giorni: «Ieri ha piovuto, il giorno prima era nuvoloso, quindi probabilmente pioverà oggi». Si concentrano interamente sull'ordine degli eventi.

Questo articolo sostiene che, sebbene osservare la cronologia sia utile, non è l'intera storia. Gli autori suggeriscono che, se si osserva anche la forma dei dati – come i numeri salgono e scendono l'uno rispetto all'altro, come una catena montuosa o una costa frastagliata – è possibile fare previsioni molto migliori.

Ecco una spiegazione della loro ricerca utilizzando semplici analogie:

1. Il Problema: Guardare Solo il «Quando»

I mercati finanziari (come i prezzi delle azioni) sono disordinati e rumorosi. I modelli informatici tradizionali (come RNN, Transformer e TCN) sono come corridori che guardano solo la pista davanti a loro. Sono eccellenti nel cogliere schemi temporali (ad esempio: «ogni lunedì il prezzo sale»), ma spesso perdono di vista il quadro generale di come i dati sono strutturati.

Gli autori hanno notato che questi modelli raramente verificano se i loro miglioramenti siano statisticamente reali o solo congetture fortunate. Volevano dimostrare che aggiungere un nuovo «senso» a questi modelli produce effettivamente una differenza misurabile.

2. La Soluzione: Il Modello «Time-Geometric»

Gli autori hanno costruito un nuovo sistema chiamato Modello Time-Geometric. Immaginalo come dare al computer un paio di occhiali 3D.

La Componente Temporale: Questa è la parte standard. Osserva i dati in linea retta (tempo), proprio come i vecchi modelli. Si chiede: «Cosa è successo ieri? Cosa è successo il giorno prima?»
La Componente Geometrica (Il Segreto): Questa è la parte nuova. Gli autori utilizzano un trucco chiamato Grafo di Visibilità.
- L'Analogia: Immagina che i prezzi delle azioni siano una serie di barre verticali su un grafico. Il «Grafo di Visibilità» chiede: «Se mi metto in cima alla barra di martedì, riesco a vedere la cima della barra di venerdì senza che una barra più alta mi blocchi la vista?»
- Se riesci a vederla, disegni una linea che le collega.
- Facendo questo per ogni punto, la linea retta del tempo si trasforma in una rete o ragnatela (un grafo). Questa rete cattura la forma e la struttura dei dati, rivelando schemi nascosti come frattali o caos casuale che una linea retta non coglie.

3. Come l'Hanno Testato

Non hanno solo indovinato; hanno condotto un esperimento massiccio.

I Dati: Hanno utilizzato 90 azioni diverse dell'S&P 100 (le più grandi aziende degli Stati Uniti).
L'Impostazione: Hanno preso 8 diversi tipi di modelli di previsione standard (i corridori del «Tempo») e hanno dato loro un partner: una Rete Neurale Grafica (GNN). La GNN è un tipo speciale di IA progettata per comprendere reti e connessioni.
L'Obiettivo: Volevano vedere se la squadra «Tempo + Geometria» poteva prevedere il futuro prezzo di un'azione meglio della squadra «Solo Tempo».

4. I Risultati: La Forma Conta?

La risposta è un secco sì, ma con una sfumatura.

Il Miglioramento: In molti casi, aggiungere la «rete geometrica» ha aiutato i modelli a prevedere i prezzi con maggiore precisione. Era come dare a un corridore una mappa del terreno, non solo della pista.
La Sfumatura (Significatività Statistica): Gli autori hanno fatto qualcosa di raro in questo campo: hanno condotto rigorosi test statistici (come un arbitro che controlla il punteggio con un cronometro). Hanno scoperto che se il miglioramento fosse stato «statisticamente significativo» (cioè non solo fortuna) dipendeva da come si misurava il successo.
- Se si misurava il successo in base a «quanto era sbagliata la previsione» (RMSE), il modello geometrico ha vinto a mani basse per alcuni tipi di IA.
- Se lo si misurava in modo diverso (ad esempio errore percentuale), i risultati cambiavano.
- Risultato Chiave: Il modello «Time-Geometric» non ha vinto ogni singola gara, ma quando ha vinto, è stata una vera vittoria, non un caso fortuito. In particolare, ha mostrato miglioramenti massicci quando accoppiato a certi modelli come Transformer e TCN.

5. La Conclusione

L'articolo conclude che i dati finanziari non sono solo una linea; hanno una forma. Utilizzando le Reti Neurali Grafiche per analizzare quella forma (la «geometria») insieme alla cronologia, possiamo migliorare significativamente la nostra capacità di prevedere il futuro.

Tuttavia, gli autori avvertono che non si può semplicemente dire «è meglio» senza verificare la matematica. A seconda di quale «righello» (metrica) si usa per misurare i risultati, il vincitore potrebbe cambiare. Ma nel complesso, osservare la geometria dei dati è un nuovo strumento potente per comprendere i mercati finanziari.

Riepilogo Tecnico: La Significatività Statistica dell'Inclusione delle Reti Neurali a Grafo nella Previsione delle Serie Temporali Finanziarie

Enunciato del Problema

La previsione di serie temporali univariate nei mercati finanziari è intrinsecamente complessa a causa del rumore nei dati e della natura stocastica dei prezzi delle attività. Sebbene esistano numerosi modelli statistici (ad es. ARIMA) e di deep learning (ad es. RNN, Transformers, TCN), questi si concentrano prevalentemente sull'analisi dei pattern temporali all'interno dei dati. Tali modelli spesso trascurano i pattern geometrici intrinseci alla struttura della serie temporale. Inoltre, i precedenti studi comparativi mancano frequentemente di un'analisi statistica rigorosa per convalidare i miglioramenti delle prestazioni, fallendo spesso nel determinare se le differenze osservate siano statisticamente significative secondo criteri consolidati. Questa ricerca colma tale lacuna indagando se l'inclusione di pattern geometrici, catturati tramite Reti Neurali a Grafo (GNN), produca miglioramenti statisticamente significativi nell'accuratezza di previsione per le serie temporali finanziarie univariate.

Metodologia

Il Framework Tempo-Geometrico

Gli autori propongono il modello Tempo-Geometrico, un'architettura ibrida progettata per sfruttare sia i pattern temporali che quelli geometrici. Il modello è composto da tre componenti principali:

Costruzione del Grafo di Visibilità: L'innovazione fondamentale risiede nella trasformazione della serie temporale univariata in una rappresentazione a grafo utilizzando l'algoritmo del Grafo di Visibilità. Questo metodo mappa i punti dati della serie temporale su nodi e stabilisce archi basati sulla visibilità in linea retta tra i punti. Tale trasformazione preserva le proprietà strutturali, permettendo al modello di discernere se la serie sottostante è periodica, casuale o frattale. Il grafo risultante è codificato come una matrice di adiacenza ( $A_t$ ).
Componente Temporale: Questa componente elabora la matrice delle caratteristiche ( $X_t$ ) contenente le osservazioni storiche (ad es. Apertura, Massimo, Minimo, Chiusura, Volume) utilizzando architetture neurali standard. Lo studio valuta diverse linee di base, tra cui LSTM, GRU, RNN, BiLSTM, BiGRU, Transformers e TCN.
Componente Geometrica: Questa componente elabora la matrice di adiacenza ( $A_t$ ) e la matrice delle caratteristiche ( $X_t$ ) utilizzando Reti Neurali Convoluzionali su Grafo (GCN) per estrarre pattern geometrici. L'output dei livelli GCN viene ulteriormente elaborato da un livello LSTM per catturare le dipendenze temporali all'interno dei pattern geometrici.
Componente Fully Connected: I pattern temporali dalla Componente Temporale e i pattern geometrici dalla Componente Geometrica vengono sommati (e opzionalmente concatenati con le caratteristiche originali tramite una connessione residua) e passati attraverso una rete fully connected per generare la previsione finale.

Impostazione Sperimentale

Dataset: Lo studio utilizza 90 serie temporali univariate che rappresentano i costituenti dell'indice Standard & Poor 100 (S&P100). I dati includono osservazioni giornaliere di Chiusura, Apertura, Massimo, Minimo e Volume dal gennaio 2015 al giugno 2023.
Valutazione: I modelli sono valutati su tre orizzonti di previsione: giornaliero (1 giorno), settimanale (5 giorni) e mensile (20 giorni).
Metriche: Le prestazioni sono misurate utilizzando l'Errore Quadratico Medio Radice (RMSE), l'Errore Assoluto Medio (MAE), l'Errore Percentuale Assoluto Medio (MAPE) e l'Errore Assoluto Medio Scalato (MASE).
Analisi Statistica: Per determinare la significatività, gli autori impiegano:
- Confronti a Coppie: Test t accoppiati, test dei ranghi con segno di Wilcoxon e test dei segni che confrontano i modelli di base con le loro controparti Tempo-Geometriche.
- Confronti Multipli: Il test di Friedman seguito dal test post-hoc di Nemenyi per classificare simultaneamente tutti gli algoritmi e controllare gli errori di Tipo I.

Risultati Chiave

Prestazioni Numeriche

Il modello Tempo-Geometrico dimostra generalmente prestazioni migliorate rispetto ai modelli di base, in particolare quando la linea di base utilizza architetture Transformer o TCN. Per le previsioni a 1 giorno, il modello Tempo-Geometrico che incorpora TCN (TG(TCN)) ha ottenuto il RMSE medio più basso (1.1420) e il MAPE più basso (0.5658), superando significativamente la TCN di base. Tuttavia, l'entità del miglioramento varia in base alla metrica e all'architettura del modello; ad esempio, i miglioramenti sono stati meno pronunciati o inconsistenti per alcune linee di base basate su RNN, a seconda della specifica metrica di errore utilizzata.

Significatività Statistica

L'analisi statistica rivela che la significatività dell'inclusione di pattern geometrici è dipendente dalla metrica e dipendente dall'orizzonte:

Dipendenza dalla Metrica: Nei confronti a coppie, modelli come $\Delta$ -Transformer e $\Delta$ -TCN hanno mostrato una significatività statistica coerente (rifiuto dell'ipotesi nulla) su tutte le metriche per le previsioni a 1 giorno. Al contrario, modelli come $\Delta$ -RNN hanno mostrato l'accettazione dell'ipotesi nulla per diverse metriche, indicando che l'inclusione geometrica non ha migliorato statisticamente le prestazioni per quella specifica linea di base sotto quelle metriche.
Dipendenza dall'Orizzonte: La significatività statistica dei risultati cambia con l'orizzonte di previsione. Per le previsioni a 5 e 20 giorni, la coerenza del rifiuto statistico varia, suggerendo che l'utilità dei pattern geometrici può cambiare man mano che la finestra di previsione si estende.
Confronti Multipli: I test di Friedman e Nemenyi hanno confermato che esistono differenze statisticamente significative nell'insieme di tutti gli algoritmi. I modelli Tempo-Geometrici hanno spesso ottenuto ranghi medi superiori, in particolare per l'orizzonte a 5 giorni, dove TG(BILSTM) e TG(GRU) hanno ottenuto risultati notevolmente buoni.

Affermazioni e Significatività

Il documento afferma di avanzare il dominio della previsione di serie temporali univariate attraverso:

Introduzione del Modello Tempo-Geometrico: Un nuovo framework che integra GNN dinamiche con reti neurali di serie temporali di base tramite grafi di visibilità.
Fornitura di una Convalida Statistica Rigorosa: A differenza di molti studi precedenti che si basano esclusivamente su metriche di prestazioni medie, questa ricerca applica un'estesa verifica statistica delle ipotesi (confronti a coppie e multipli) su 90 dataset finanziari.
Dimostrazione di una Significatività Condizionale: Gli autori concludono che sfruttare i pattern geometrici produce miglioramenti statisticamente significativi nell'accuratezza di previsione, ma notano esplicitamente che tale significatività è condizionata dalla scelta della metrica di valutazione e dall'orizzonte di previsione.

Il documento non afferma che i pattern geometrici superino universalmente i pattern temporali in tutti gli scenari. Piuttosto, postula che l'inclusione di informazioni geometriche fornisca un miglioramento statisticamente verificabile in contesti specifici, in particolare quando combinata con determinate architetture di deep learning come Transformers e TCN. Si suggerisce un lavoro futuro per esplorare il comportamento delle metriche di valutazione e la significatività dei pattern geometrici su dataset di serie temporali più diversificati oltre il dominio finanziario.