💰 quantitative finance

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

Este artigo apresenta o modelo Time-Geometric, que integra Redes Neurais em Grafos para capturar padrões geométricos juntamente com dados temporais, demonstrando, por meio de avaliação empírica extensa, que essa abordagem produz melhorias estatisticamente significativas na precisão da previsão de séries temporais univariadas financeiras.

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

Publicado 2026-05-21

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando prever o tempo. A maioria dos meteorologistas analisa a linha do tempo dos últimos dias: "Choveu ontem, estava nublado anteontem, então provavelmente vai chover hoje." Eles focam inteiramente na ordem dos eventos.

Este artigo argumenta que, embora observar a linha do tempo seja bom, não é toda a história. Os autores sugerem que, se você também observar a forma dos dados — como os números sobem e descem em relação uns aos outros, como uma cadeia de montanhas ou uma costa recortada —, você pode fazer previsões muito melhores.

Aqui está uma análise de sua pesquisa usando analogias simples:

1. O Problema: Olhar Apenas para o "Quando"

Os mercados financeiros (como os preços das ações) são bagunçados e ruidosos. Modelos computacionais tradicionais (como RNNs, Transformers e TCNs) são como corredores que olham apenas para a pista à sua frente. Eles são ótimos em identificar padrões no tempo (por exemplo, "toda segunda-feira o preço sobe"), mas frequentemente perdem a visão geral de como os dados estão estruturados.

Os autores notaram que esses modelos raramente verificam se suas melhorias são estatisticamente reais ou apenas palpites sortudos. Eles queriam provar que adicionar um novo "sentido" a esses modelos realmente faz uma diferença mensurável.

2. A Solução: O Modelo "Tempo-Geométrico"

Os autores construíram um novo sistema chamado Modelo Tempo-Geométrico. Pense nisso como dar ao computador um par de óculos 3D.

O Componente Temporal: Esta é a parte padrão. Ele analisa os dados em uma linha reta (tempo), assim como os modelos antigos. Ele pergunta: "O que aconteceu ontem? O que aconteceu anteontem?"
O Componente Geométrico (O Segredo): Esta é a parte nova. Os autores usam um truque chamado Gráfico de Visibilidade.
- A Analogia: Imagine que os preços das ações são uma série de barras verticais em um gráfico. O "Gráfico de Visibilidade" pergunta: "Se eu ficar no topo da barra de terça-feira, consigo ver o topo da barra de sexta-feira sem que uma barra mais alta bloqueie minha visão?"
- Se você conseguir ver, desenha uma linha conectando-as.
- Ao fazer isso para cada ponto, a linha reta do tempo se transforma em uma teia ou teia de aranha (um grafo). Essa teia captura a forma e a estrutura dos dados, revelando padrões ocultos como fractais ou caos aleatório que uma linha reta perde.

3. Como Eles Testaram

Eles não apenas chutaram; realizaram um experimento massivo.

Os Dados: Eles usaram 90 ações diferentes do S&P 100 (as maiores empresas dos EUA).
A Configuração: Eles pegaram 8 tipos diferentes de modelos de previsão padrão (os corredores de "Tempo") e deram a eles um parceiro: uma Rede Neural de Grafos (GNN). A GNN é um tipo especial de IA projetada para entender teias e conexões.
O Objetivo: Eles queriam ver se a equipe "Tempo + Geometria" poderia prever o preço futuro de uma ação melhor do que a equipe "Apenas Tempo".

4. Os Resultados: A Forma Importa?

A resposta é um estrondoso sim, mas com um detalhe.

A Melhoria: Em muitos casos, adicionar a "teia" geométrica ajudou os modelos a prever os preços com mais precisão. Foi como dar a um corredor um mapa do terreno, não apenas da pista.
O Detalhe (Significância Estatística): Os autores fizeram algo raro neste campo: realizaram testes estatísticos rigorosos (como um árbitro verificando a pontuação com um cronômetro). Eles descobriram que se a melhoria era "estatisticamente significativa" (ou seja, não era apenas sorte) dependia de como você mede o sucesso.
- Se você medisse o sucesso por "quão longe a previsão estava" (RMSE), o modelo geométrico venceu grande parte para certos tipos de IA.
- Se você o medisse de forma diferente (como erro percentual), os resultados mudavam.
- Descoberta Chave: O modelo "Tempo-Geométrico" não venceu todas as corridas, mas quando venceu, foi uma vitória real, não um acaso. Especificamente, mostrou melhorias massivas quando combinado com certos modelos como Transformers e TCNs.

5. A Conclusão

O artigo conclui que os dados financeiros não são apenas uma linha; eles têm uma forma. Ao usar Redes Neurais de Grafos para analisar essa forma (a "geometria") ao lado da linha do tempo, podemos melhorar significativamente a qualidade de nossas previsões futuras.

No entanto, os autores alertam que você não pode apenas dizer "é melhor" sem verificar a matemática. Dependendo de qual "régua" (métrica) você usa para medir os resultados, o vencedor pode mudar. Mas, no geral, observar a geometria dos dados é uma nova ferramenta poderosa para entender os mercados financeiros.

Resumo Técnico: A Significância Estatística da Inclusão de Redes Neurais em Grafos na Previsão de Séries Temporais Financeiras

Declaração do Problema

A previsão de séries temporais univariadas nos mercados financeiros é inerentemente desafiadora devido ao ruído dos dados e à natureza estocástica dos preços dos ativos. Embora existam inúmeros modelos estatísticos (por exemplo, ARIMA) e de aprendizado profundo (por exemplo, RNNs, Transformers, TCNs), eles focam predominantemente na análise de padrões temporais dentro dos dados. Esses modelos frequentemente negligenciam padrões geométricos inerentes à estrutura da série temporal. Além disso, estudos comparativos anteriores frequentemente carecem de análise estatística rigorosa para validar melhorias de desempenho, falhando muitas vezes em determinar se as diferenças observadas são estatisticamente significativas de acordo com critérios estabelecidos. Esta pesquisa aborda essa lacuna investigando se a inclusão de padrões geométricos, capturados por meio de Redes Neurais em Grafos (GNNs), produz melhorias estatisticamente significativas na precisão da previsão para séries temporais financeiras univariadas.

Metodologia

A Estrutura Temporal-Geométrica

Os autores propõem o modelo Temporal-Geométrico, uma arquitetura híbrida projetada para explorar tanto padrões temporais quanto geométricos. O modelo consiste em três componentes principais:

Construção do Grafo de Visibilidade: A inovação central reside na transformação da série temporal univariada em uma representação de grafo usando o algoritmo de Grafo de Visibilidade. Este método mapeia os pontos de dados da série temporal para nós e estabelece arestas com base na visibilidade de linha de visão entre os pontos. Essa transformação preserva propriedades estruturais, permitindo que o modelo discerna se a série subjacente é periódica, aleatória ou fractal. O grafo resultante é codificado como uma matriz de adjacência ( $A_t$ ).
Componente Temporal: Este componente processa a matriz de características ( $X_t$ ) contendo observações históricas (por exemplo, Abertura, Máxima, Mínima, Fechamento, Volume) usando arquiteturas padrão de redes neurais. O estudo avalia várias linhas de base, incluindo LSTM, GRU, RNN, BiLSTM, BiGRU, Transformers e TCNs.
Componente Geométrico: Este componente processa a matriz de adjacência ( $A_t$ ) e a matriz de características ( $X_t$ ) usando Redes Neurais de Convolução em Grafos (GCNs) para extrair padrões geométricos. A saída das camadas GCN é posteriormente processada por uma camada LSTM para capturar dependências temporais dentro dos padrões geométricos.
Componente Totalmente Conectado: Os padrões temporais do Componente Temporal e os padrões geométricos do Componente Geométrico são somados (e opcionalmente concatenados com as características originais por meio de uma conexão de salto) e passados por uma rede totalmente conectada para gerar a previsão final.

Configuração Experimental

Conjunto de Dados: O estudo utiliza 90 séries temporais univariadas representando os constituintes do índice Standard & Poor 100 (S&P100). Os dados incluem observações diárias de Fechamento, Abertura, Máxima, Mínima e Volume de janeiro de 2015 a junho de 2023.
Avaliação: Os modelos são avaliados em três horizontes de previsão: diária (1 dia), semanal (5 dias) e mensal (20 dias).
Métricas: O desempenho é medido usando Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE), Erro Porcentual Absoluto Médio (MAPE) e Erro Absoluto Escalonado Médio (MASE).
Análise Estatística: Para determinar a significância, os autores empregam:
- Comparações Pareadas: Testes t pareados, testes de postos sinalizados de Wilcoxon e testes de Sinal comparando modelos de linha de base com suas contrapartes Temporais-Geométricas.
- Múltiplas Comparações: O teste de Friedman seguido pelo teste post-hoc de Nemenyi para classificar todos os algoritmos simultaneamente e controlar erros do Tipo I.

Principais Resultados

Desempenho Numérico

O modelo Temporal-Geométrico geralmente demonstra desempenho aprimorado em relação aos modelos de linha de base, particularmente quando a linha de base utiliza arquiteturas Transformer ou TCN. Para previsões de 1 dia, o modelo Temporal-Geométrico incorporando TCN (TG(TCN)) alcançou o menor RMSE médio (1,1420) e MAPE (0,5658), superando significativamente a linha de base TCN. No entanto, a magnitude da melhoria varia conforme a métrica e a arquitetura do modelo; por exemplo, as melhorias foram menos pronunciadas ou inconsistentes para certas linhas de base baseadas em RNN, dependendo da métrica de erro específica utilizada.

Significância Estatística

A análise estatística revela que a significância da inclusão de padrões geométricos é dependente da métrica e dependente do horizonte:

Dependência da Métrica: Nas comparações pareadas, modelos como $\Delta$ -Transformer e $\Delta$ -TCN mostraram significância estatística consistente (rejeição da hipótese nula) em todas as métricas para previsões de 1 dia. Por outro lado, modelos como $\Delta$ -RNN mostraram aceitação da hipótese nula para várias métricas, indicando que a inclusão geométrica não melhorou estatisticamente o desempenho para aquela linha de base específica sob aquelas métricas.
Dependência do Horizonte: A significância estatística dos resultados muda com o horizonte de previsão. Para previsões de 5 dias e 20 dias, a consistência da rejeição estatística varia, sugerindo que a utilidade dos padrões geométricos pode mudar à medida que a janela de previsão se estende.
Múltiplas Comparações: Os testes de Friedman e Nemenyi confirmaram que existem diferenças estatisticamente significativas entre o conjunto de todos os algoritmos. Os modelos Temporais-Geométricos frequentemente alcançaram classificações médias superiores, particularmente para o horizonte de 5 dias, onde TG(BILSTM) e TG(GRU) se destacaram notavelmente.

Alegações e Significância

O artigo afirma avançar o domínio da previsão de séries temporais univariadas ao:

Introduzir o Modelo Temporal-Geométrico: Um novo framework que integra GNNs dinâmicas com redes neurais de séries temporais de linha de base por meio de grafos de visibilidade.
Fornecer Validação Estatística Rigorosa: Ao contrário de muitos estudos anteriores que dependem exclusivamente de métricas de desempenho médio, esta pesquisa aplica extensa teste de hipóteses estatísticas (comparações pareadas e múltiplas) em 90 conjuntos de dados financeiros.
Demonstrar Significância Condicional: Os autores concluem que alavancar padrões geométricos produz melhorias estatisticamente significativas na precisão da previsão, mas observam explicitamente que essa significância é contingente à escolha da métrica de avaliação e do horizonte de previsão.

O artigo não afirma que padrões geométricos superam universalmente padrões temporais em todos os cenários. Em vez disso, ele postula que a inclusão de informações geométricas fornece um aprimoramento estatisticamente verificável em contextos específicos, particularmente quando combinada com certas arquiteturas de aprendizado profundo como Transformers e TCNs. Sugere-se trabalho futuro para explorar o comportamento das métricas de avaliação e a significância dos padrões geométricos em conjuntos de dados de séries temporais mais diversos além do domínio financeiro.