💰 quantitative finance

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

本文提出了时间几何模型，该模型整合图神经网络以捕捉几何模式并结合时序数据，通过广泛的实证评估证明，该方法在单变量金融时间序列预测精度上取得了统计显著的改进。

原作者： Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

发布于 2026-05-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试预测天气。大多数预报员会查看过去几天的时间线：“昨天下了雨，前天是阴天，所以今天很可能也会下雨。”他们完全专注于事件的顺序。

本文认为，虽然查看时间线是有益的，但这并非全貌。作者提出，如果你同时观察数据的形状——即数字如何相互起伏，如同山脉或崎岖的海岸线——你就能做出更准确的预测。

以下是他们研究的简要解析，使用了简单的类比：

1. 问题：仅关注“何时”

金融市场（如股票价格）既混乱又充满噪音。传统的计算机模型（如 RNN、Transformers 和 TCN）就像只盯着前方跑道的跑步者。它们非常擅长发现时间上的模式（例如“每逢周一价格就会上涨”），但往往忽略了数据结构的整体图景。

作者注意到，这些模型很少检查其改进是统计上真实的，还是仅仅出于运气。他们希望证明，为这些模型增加一种新的“感官”确实能产生可衡量的差异。

2. 解决方案：“时空几何”模型

作者构建了一个名为时空几何模型的新系统。你可以把它想象成给计算机戴上了一副 3D 眼镜。

时间组件：这是标准部分。它像旧模型一样，沿直线（时间）查看数据。它问：“昨天发生了什么？前天发生了什么？”
几何组件（秘密武器）：这是新部分。作者使用了一种称为可见性图的技巧。
- 类比：想象股票价格是一系列图表上的垂直柱状条。“可见性图”会问：“如果我站在周二柱子的顶端，我能否在不被更高的柱子遮挡视线的情况下看到周五柱子的顶端？”
- 如果你能看到，就画一条线将它们连接起来。
- 对每个点都这样做后，原本直线的时间就变成了一个网状结构或蜘蛛网（图）。这张网捕捉了数据的形状和结构，揭示了直线条所遗漏的隐藏模式，如分形或随机混沌。

3. 他们如何测试

他们并非凭空猜测，而是进行了一项大规模实验。

数据：他们使用了标普 100 指数（美国最大的公司）中的 90 只不同股票。
设置：他们选取了 8 种不同类型的标准预测模型（“时间”跑步者），并为它们配备了一位搭档：图神经网络（GNN）。GNN 是一种专为理解网状结构和连接而设计的特殊人工智能。
目标：他们想看看“时间 + 几何”团队是否比“仅时间”团队能更准确地预测股票的未来价格。

4. 结果：形状重要吗？

答案是响亮的是，但有一个转折。

改进：在许多情况下，添加“几何”网状结构帮助模型更准确地预测了价格。这就像给跑步者提供了一张地形图，而不仅仅是跑道。
转折（统计显著性）：作者在该领域做了一件罕见的事：他们进行了严格的统计测试（就像裁判用秒表检查分数）。他们发现，改进是否具有“统计显著性”（即不仅仅是运气），取决于你如何衡量成功。
- 如果你通过“预测偏差有多大”（RMSE）来衡量成功，几何模型在某些类型的人工智能中取得了巨大胜利。
- 如果你用不同的方式衡量（如百分比误差），结果就会改变。
- 关键发现：“时空几何”模型并没有赢得每一场比赛，但当它获胜时，那是真实的胜利，而非偶然。具体来说，当与 Transformer 和 TCN 等特定模型配对时，它显示出巨大的改进。

5. 结论

该论文得出结论：金融数据不仅仅是一条线；它具有形状。通过使用图神经网络来分析这种形状（“几何”），并结合时间线，我们可以显著提高对未来进行预测的能力。

然而，作者警告说，如果不检查数学计算，就不能简单地说“它更好”。取决于你使用哪种“尺子”（指标）来衡量结果，获胜者可能会改变。但总体而言，观察数据的几何形状是理解金融市场的一种强有力的新工具。

技术摘要：图神经网络在金融时间序列预测中纳入的统计显著性

问题陈述

金融市场的单变量时间序列预测因数据噪声和资产价格的随机性而 inherently 具有挑战性。尽管存在众多统计模型（如 ARIMA）和深度学习模型（如 RNN、Transformer、TCN），但它们主要集中于分析数据内的时间模式。这些模型往往忽视了时间序列结构固有的几何模式。此外，先前的比较研究 frequently 缺乏严格的统计分析来验证性能提升，经常无法根据既定标准确定观察到的差异是否具有统计显著性。本研究通过调查纳入通过图神经网络（GNNs）捕获的几何模式是否能为单变量金融时间序列的预测精度带来统计显著的提升，从而填补了这一空白。

方法论

时间 - 几何框架

作者提出了时间 - 几何模型，这是一种旨在利用时间模式和几何模式的混合架构。该模型由三个主要组件构成：

可见性图构建：核心创新在于使用可见性图算法将单变量时间序列转换为图表示。该方法将时间序列数据点映射为节点，并基于点之间的视线可见性建立边。这种转换保留了结构属性，使模型能够辨别底层序列是周期性的、随机的还是分形的。生成的图被编码为邻接矩阵（ $A_t$ ）。
时间组件：该组件使用标准神经网络架构处理包含历史观测值（如开盘价、最高价、最低价、收盘价、成交量）的特征矩阵（ $X_t$ ）。本研究评估了多种基线模型，包括 LSTM、GRU、RNN、BiLSTM、BiGRU、Transformer 和 TCN。
几何组件：该组件使用图卷积网络（GCN）处理邻接矩阵（ $A_t$ ）和特征矩阵（ $X_t$ ）以提取几何模式。GCN 层的输出随后由 LSTM 层处理，以捕获几何模式内的时间依赖性。
全连接组件：来自时间组件的时间模式和来自几何组件的几何模式被求和（并可选择地通过跳跃连接与原始特征拼接），然后输入全连接网络以生成最终预测。

实验设置

数据集：本研究使用了代表标准普尔 100 指数（S&P100）成分股的 90 个单变量时间序列。数据包含 2015 年 1 月至 2023 年 6 月期间的收盘价、开盘价、最高价、最低价和成交量的每日观测值。
评估：模型在三个预测时间跨度上进行评估：日度（1 天）、周度（5 天）和月度（20 天）。
指标：性能使用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和平均绝对缩放误差（MASE）进行衡量。
统计分析：为了确定显著性，作者采用了：
- 成对比较：配对 t 检验、Wilcoxon 符号秩检验和符号检验，用于比较基线模型与其时间 - 几何对应模型。
- 多重比较：Friedman 检验 followed by Nemenyi 事后检验，用于同时对所有算法进行排序并控制 I 类错误。

主要结果

数值性能

时间 - 几何模型总体上表现出优于基线模型的性能，特别是当基线使用 Transformer 或 TCN 架构时。对于 1 天预测，纳入 TCN 的时间 - 几何模型（TG(TCN)）实现了最低的均方根误差（1.1420）和平均绝对百分比误差（0.5658），显著优于基线 TCN。然而，提升幅度因指标和模型架构而异；例如，对于某些基于 RNN 的基线，根据所使用的具体误差指标，提升幅度较小或不一致。

统计显著性

统计分析表明，纳入几何模式的显著性是指标依赖和时间跨度依赖的：

指标依赖性：在成对比较中， $\Delta$ -Transformer 和 $\Delta$ -TCN 等模型在 1 天预测的所有指标上均显示出一致的统计显著性（拒绝零假设）。相反， $\Delta$ -RNN 等模型在多个指标上接受了零假设，表明几何纳入并未在该特定基线和这些指标下统计地提升性能。
时间跨度依赖性：结果的统计显著性随预测时间跨度的变化而转移。对于 5 天和 20 天预测，统计拒绝的一致性各不相同，表明随着预测窗口的延长，几何模式的效用可能会发生变化。
多重比较：Friedman 和 Nemenyi 检验证实，所有算法集合之间存在统计显著差异。时间 - 几何模型通常取得了更优的平均排名，特别是在 5 天时间跨度上，TG(BILSTM) 和 TG(GRU) 表现尤为出色。

主张与意义

该论文声称通过以下方式推进单变量时间序列预测领域：

引入时间 - 几何模型：一种新颖的框架，通过可见性图将动态 GNN 与基线时间序列神经网络集成。
提供严格的统计验证：与许多仅依赖平均性能指标的先前研究不同，本研究在 90 个金融数据集上应用了广泛的统计假设检验（成对比较和多重比较）。
证明条件显著性：作者得出结论，利用几何模式能在预测精度上带来统计显著的提升，但明确指出这种显著性取决于评估指标的选择和预测时间跨度。

该论文并未声称几何模式在所有场景下均优于时间模式。相反，它提出在特定情境下纳入几何信息可提供统计上可验证的增强，特别是当与 Transformer 和 TCN 等特定深度学习架构结合时。未来的工作建议探索评估指标的行为以及几何模式在金融领域之外更多样化的时间序列数据集上的显著性。