شبکه های عصبی گراف زمانی برای پیش بینی رویدادهای پویا در شبکه های مالی

رویکردهای سنتی برای پیش بینی رویدادهای مالی اغلب دارایی ها و مشارکت کنندگان بازار را به عنوان موجودیت های جداگانه در نظر می گیرند و قادر به ثبت روابط پیچیده و در حال تحولی که سیستم های مالی دنیای واقعی را مشخص می کنند، نیستند. در حالی که پیشرفت های اخیر در یادگیری مبتنی بر گراف امیدبخش بوده اند، کاربرد آنها در تعاملات مالی پویا و حساس به زمان، به ویژه برای پیش بینی رویدادهای گسسته بازار، همچنان یک چالش مهم است. این مقاله یک چارچوب جدید را معرفی می کند که از شبکه های عصبی گراف زمانی (TGNNs) برای مدل سازی تکامل پویا شبکه های مالی و پیش بینی وقوع رویدادهای خاص و تاثیرگذار بازار استفاده می کند. ما یک گراف مالی چند-رابطه ای می سازیم که در آن گره ها نشان دهنده دارایی ها، موسسات و تاثیرگذاران کلیدی هستند و یال ها تعاملات مختلفی از جمله روابط تجاری، انتشار احساسات خبری و ارتباطات رسانه های اجتماعی را با ویژگی های زمانی ثبت می کنند. معماری TGNN پیشنهادی ما شامل یک مکانیزم تجمیع بازگشتی است که جاسازی گره ها را بر اساس نزدیکی زمانی و قدرت اتصالات تطبیق می دهد و امکان ثبت وابستگی های پنهان زمانی را فراهم می کند که برای پیش بینی رویدادها حیاتی هستند. مدل ما که بر روی یک مجموعه داده از نوسانات بازار و حرکات قابل توجه قیمت در بازارهای ارز دیجیتال و سهام سنتی ارزیابی شده است، امتیاز F۱ ماکرو ۰.۸۲ را برای طبقه بندی رویدادها کسب می کند و تا ۱۵% از بیس لاین های پیشرفته عملکرد بهتری دارد. علاوه بر این، از طریق یک ماژول توضیح پذیری که با TGNN یکپارچه شده است، ما شاخص های پیشرو و موتیف های شبکه پویا را شناسایی می کنیم که به طور مداوم پیش از وقوع رویدادها ظاهر می شوند. این کار قابلیت برتر TGNNها را در ثبت تعامل پویا در شبکه های مالی نشان می دهد و یک پارادایم جدید قدرتمند برای مدیریت ریسک پیشگیرانه و تصمیم گیری استراتژیک در بازارهای بسیار نوسان ارائه می دهد.