💰 quantitative finance

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

Dit artikel introduceert het Time-Geometric-model, dat Graph Neural Networks integreert om geometrische patronen naast temporale data te vangen, en toont door middel van uitgebreide empirische evaluatie aan dat deze aanpak statistisch significante verbeteringen oplevert in de nauwkeurigheid van financiële univariate tijdreeksvoorspelling.

Oorspronkelijke auteurs: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

Gepubliceerd 2026-05-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het weer probeert te voorspellen. De meeste weersvoorspellers kijken naar de tijdslijn van de afgelopen dagen: "Gisteren regende het, de dag ervoor was het bewolkt, dus het zal waarschijnlijk vandaag regenen." Ze richten zich volledig op de volgorde van gebeurtenissen.

Dit artikel stelt dat het kijken naar de tijdslijn goed is, maar niet het hele verhaal is. De auteurs suggereren dat als je ook kijkt naar de vorm van de data – hoe de getallen ten opzichte van elkaar stijgen en dalen, zoals een berglandschap of een gezaagde kustlijn – je veel betere voorspellingen kunt doen.

Hier is een uiteenzetting van hun onderzoek met eenvoudige analogieën:

1. Het Probleem: Alleen Kijken naar het "Wanneer"

Financiële markten (zoals aandelenkoersen) zijn rommelig en ruisend. Traditionele computermodellen (zoals RNN's, Transformers en TCN's) zijn als hardlopers die alleen naar het spoor voor hen kijken. Ze zijn uitstekend in het opsporen van patronen in de tijd (bijvoorbeeld: "elke maandag gaat de prijs omhoog"), maar ze missen vaak het grotere beeld van hoe de data gestructureerd is.

De auteurs merkten op dat deze modellen zelden controleren of hun verbeteringen statistisch echt zijn of gewoon gelukstreffer. Ze wilden bewijzen dat het toevoegen van een nieuw "zintuig" aan deze modellen daadwerkelijk een meetbaar verschil maakt.

2. De Oplossing: Het "Tijd-Geometrische" Model

De auteurs bouwden een nieuw systeem genaamd het Tijd-Geometrische Model. Denk hierbij aan het geven van een 3D-bril aan de computer.

Het Tijd-component: Dit is het standaarddeel. Het bekijkt de data in een rechte lijn (tijd), net als de oude modellen. Het vraagt: "Wat is er gisteren gebeurd? Wat is er de dag ervoor gebeurd?"
Het Geometrische Component (De Geheime Ingredient): Dit is het nieuwe deel. De auteurs gebruiken een truc genaamd een Zichtbaarheidsgrafiek.
- De Analogie: Stel je voor dat aandelenkoersen een reeks verticale balken zijn op een grafiek. De "Zichtbaarheidsgrafiek" vraagt: "Als ik bovenop de balk voor dinsdag sta, kan ik dan de top van de balk voor vrijdag zien zonder dat een hogere balk mijn zicht blokkeert?"
- Als je het kunt zien, trek je een lijn die ze verbindt.
- Door dit voor elk punt te doen, verandert de rechte lijn van tijd in een web of spinnenweb (een grafiek). Dit web vangt de vorm en structuur van de data, waardoor verborgen patronen zoals fractalen of willekeurige chaos worden onthuld die een rechte lijn mist.

3. Hoe Ze Het Testten

Ze deden niet alleen een gok; ze voerden een enorme experiment uit.

De Data: Ze gebruikten 90 verschillende aandelen uit de S&P 100 (de grootste bedrijven in de VS).
De Opstelling: Ze namen 8 verschillende soorten standaard voorspellingsmodellen (de "Tijd"-hardlopers) en gaven ze een partner: een Graph Neural Network (GNN). Een GNN is een speciaal type AI ontworpen om webben en verbindingen te begrijpen.
Het Doel: Ze wilden zien of het "Tijd + Geometrie"-team de toekomstige prijs van een aandeel beter kon voorspellen dan het "Alleen Tijd"-team.

4. De Resultaten: Maakt de Vorm Uit?

Het antwoord is een luid ja, maar met een draai.

De Verbetering: In veel gevallen hielp het toevoegen van het "Geometrische" web de modellen om prijzen nauwkeuriger te voorspellen. Het was alsof je een hardloper een kaart van het terrein gaf, niet alleen het spoor.
De Draai (Statistische Significantie): De auteurs deden iets zeldzaams in dit vakgebied: ze voerden strenge statistische tests uit (zoals een scheidsrechter die de score controleert met een stopwatch). Ze ontdekten dat of de verbetering "statistisch significant" was (wat betekent dat het niet gewoon geluk was), afhing van hoe je succes mat.
- Als je succes mat aan de hand van "hoe ver de voorspelling afweek" (RMSE), won het geometrische model het groot voor sommige soorten AI.
- Als je het anders mat (zoals percentage fout), veranderden de resultaten.
- Belangrijkste Bevinding: Het "Tijd-Geometrische" model won niet elke enkele race, maar wanneer het won, was het een echte overwinning, geen toeval. Specifiek liet het enorme verbeteringen zien wanneer het werd gekoppeld aan bepaalde modellen zoals Transformers en TCN's.

5. De Conclusie

Het artikel concludeert dat financiële data niet alleen een lijn is; het heeft een vorm. Door Graph Neural Networks te gebruiken om die vorm (de "geometrie") naast de tijdslijn te analyseren, kunnen we aanzienlijk verbeteren hoe goed we de toekomst voorspellen.

Echter, waarschuwen de auteurs dat je niet zomaar kunt zeggen "het is beter" zonder de wiskunde te controleren. Afhankelijk van welke "liniaal" (metriek) je gebruikt om de resultaten te meten, kan de winnaar veranderen. Maar over het algemeen is het kijken naar de geometrie van de data een krachtig nieuw hulpmiddel voor het begrijpen van de financiële markten.

Technische Samenvatting: De Statistische Significantie van de Opname van Grafische Neuronale Netwerken in de Voorspelling van Financiële Tijdreeksen

Probleemstelling

Univariate tijdreeksvoorspelling in financiële markten is inherent uitdagend vanwege data-ruis en de stochastische aard van activa-prijzen. Hoewel er talloze statistische (bijv. ARIMA) en deep learning-modellen (bijv. RNN's, Transformers, TCN's) bestaan, richten deze zich voornamelijk op het analyseren van temporele patronen binnen de data. Deze modellen negeren vaak geometrische patronen die inherent zijn aan de structuur van de tijdreeks. Bovendien ontbreekt het in eerdere vergelijkende studies vaak aan rigoureuze statistische analyse om prestatieverbeteringen te valideren; ze falen er vaak in om vast te stellen of waargenomen verschillen statistisch significant zijn volgens vastgestelde criteria. Dit onderzoek adresseert deze kloof door te onderzoeken of de opname van geometrische patronen, vastgelegd via Grafische Neuronale Netwerken (GNN's), statistisch significante verbeteringen oplevert in de voorspellingnauwkeurigheid voor univariate financiële tijdreeksen.

Methodologie

Het Tijd-Geometrisch Kader

De auteurs stellen het Tijd-Geometrisch model voor, een hybride architectuur ontworpen om zowel temporele als geometrische patronen te benutten. Het model bestaat uit drie primaire componenten:

Constructie van het Zichtbaarheidsgraf: De kerninnovatie ligt in het transformeren van de univariate tijdreeks naar een grafrepresentatie met behulp van het Zichtbaarheidsgraf-algoritme. Deze methode mappert tijdreeksdata-punten naar knopen en stelt randen vast op basis van lijn-van-zicht zichtbaarheid tussen punten. Deze transformatie behoudt structurele eigenschappen, waardoor het model kan onderscheiden of de onderliggende reeks periodiek, willekeurig of fractaal is. De resulterende graf wordt gecodeerd als een burenmatrix ( $A_t$ ).
Temporele Component: Deze component verwerkt de kenmerkensmatrix ( $X_t$ ) die historische observaties bevat (bijv. Open, Hoog, Laag, Sluiting, Volume) met behulp van standaard neurale netwerkarchitecturen. De studie evalueert diverse baselines, waaronder LSTM, GRU, RNN, BiLSTM, BiGRU, Transformers en TCN's.
Geometrische Component: Deze component verwerkt de burenmatrix ( $A_t$ ) en de kenmerkensmatrix ( $X_t$ ) met behulp van Grafische Convolutie-Netwerken (GCN's) om geometrische patronen te extraheren. De output van de GCN-lagen wordt verder verwerkt door een LSTM-laag om temporele afhankelijkheden binnen de geometrische patronen vast te leggen.
Volledig Verbonden Component: De temporele patronen van de Temporele Component en de geometrische patronen van de Geometrische Component worden opgeteld (en optioneel geconcateneerd met de oorspronkelijke kenmerken via een skip-verbinding) en doorgegeven aan een volledig verbonden netwerk om de definitieve voorspelling te genereren.

Experimentele Opstelling

Dataset: De studie maakt gebruik van 90 univariate tijdreeksen die de samenstellende delen van de Standard & Poor 100 (S&P100) index vertegenwoordigen. De data omvat dagelijkse observaties van Sluiting, Open, Hoog, Laag en Volume van januari 2015 tot juni 2023.
Evaluatie: De modellen worden geëvalueerd over drie voorspellinghorizonten: dagelijks (1 dag), wekelijks (5 dagen) en maandelijks (20 dagen).
Maten: Prestaties worden gemeten met behulp van Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) en Mean Absolute Scaled Error (MASE).
Statistische Analyse: Om significantie te bepalen, passen de auteurs toe:
- Paarsgewijze Vergelijkingen: Gekoppelde t-toetsen, Wilcoxon getekende rang-toetsen en Sign-toetsen die basismodellen vergelijken met hun Tijd-Geometrische tegenhangers.
- Meervoudige Vergelijkingen: De Friedman-toets gevolgd door de Nemenyi post-hoc-toets om alle algoritmen simultaan te rangschikken en Type I-fouten te controleren.

Belangrijkste Resultaten

Numerieke Prestaties

Het Tijd-Geometrisch model toont over het algemeen verbeterde prestaties ten opzichte van basismodellen, met name wanneer de baseline Transformer- of TCN-architecturen gebruikt. Voor 1-dag voorspellingen behaalde het Tijd-Geometrisch model met TCN-integratie (TG(TCN)) de laagste gemiddelde RMSE (1,1420) en MAPE (0,5658), wat significant beter presteerde dan de baseline TCN. De omvang van de verbetering varieert echter per maatstaf en modelarchitectuur; bijvoorbeeld, verbeteringen waren minder uitgesproken of inconsistent voor bepaalde op RNN gebaseerde baselines, afhankelijk van de specifieke gebruikte foutmaatstaf.

Statistische Significantie

De statistische analyse onthult dat de significantie van het opnemen van geometrische patronen afhankelijk is van de maatstaf en afhankelijk is van de horizon:

Afhankelijkheid van Maatstaf: In paarsgewijze vergelijkingen toonden modellen zoals $\Delta$ -Transformer en $\Delta$ -TCN consistente statistische significantie (verwerpeling van de nulhypothese) over alle maatstaven voor 1-dag voorspellingen. Daarentegen toonden modellen zoals $\Delta$ -RNN acceptatie van de nulhypothese voor meerdere maatstaven, wat aangeeft dat de geometrische opname de prestaties voor die specifieke baseline onder die maatstaven niet statistisch verbeterde.
Afhankelijkheid van Horizon: De statistische significantie van de resultaten verschuift met de voorspellinghorizon. Voor 5-dag en 20-dag voorspellingen varieert de consistentie van statistische verwerpeling, wat suggereert dat het nut van geometrische patronen kan veranderen naarmate het voorspellingvenster uitbreidt.
Meervoudige Vergelijkingen: De Friedman- en Nemenyi-toetsen bevestigden dat er statistisch significante verschillen zijn binnen de set van alle algoritmen. De Tijd-Geometrisch modellen behaalden vaak superieure gemiddelde rangen, met name voor de 5-dag horizon waar TG(BILSTM) en TG(GRU) opmerkelijk goed presteerden.

Claims en Significantie

Het artikel claimt het domein van univariate tijdreeksvoorspelling te bevorderen door:

Introductie van het Tijd-Geometrisch Model: Een nieuw kader dat dynamische GNN's integreert met basale tijdreeks-neurale netwerken via zichtbaarheidsgrafen.
Bieden van Rigoureuze Statistische Validatie: In tegenstelling tot veel eerdere studies die uitsluitend vertrouwen op gemiddelde prestatie-maatstaven, past dit onderzoek uitgebreide statistische hypothese-toetsing toe (paarsgewijze en meervoudige vergelijkingen) over 90 financiële datasets.
Demonstreren van Conditionele Significantie: De auteurs concluderen dat het benutten van geometrische patronen statistisch significante verbeteringen oplevert in voorspellingnauwkeurigheid, maar expliciet noteren dat deze significantie afhankelijk is van de keuze van de evaluatiemaatstaf en de voorspellinghorizon.

Het artikel claimt niet dat geometrische patronen universeel beter presteren dan temporele patronen in alle scenario's. In plaats daarvan stelt het dat de opname van geometrische informatie een statistisch verifieerbare verbetering biedt in specifieke contexten, met name wanneer gecombineerd met bepaalde deep learning-architecturen zoals Transformers en TCN's. Er wordt voorgesteld om in toekomstig werk het gedrag van evaluatiemaatstaven en de significantie van geometrische patronen te onderzoeken over een bredere reeks tijdreeksdatasets die verder gaan dan het financiële domein.