《Econometrics》:Graph Attention Networks in Exchange Rate Forecasting
Joanna Landmesser-Rusek and
Arkadiusz Or?owski
编辑推荐:
汇率预测是金融市场分析中的一个重要议题。货币汇率形成了一个动态连接网络,可以使用图神经网络(GNNs)高效建模。GNNs的关键机制是节点间的消息传递,允许更好地建模货币互动。每个节点通过聚合其邻居的特征并将其与自身特征结合来更新其表示。在图卷积神经网络(GCN
汇率预测是金融市场分析中的一个重要议题。货币汇率形成了一个动态连接网络,可以使用图神经网络(GNNs)高效建模。GNNs的关键机制是节点间的消息传递,允许更好地建模货币互动。每个节点通过聚合其邻居的特征并将其与自身特征结合来更新其表示。在图卷积神经网络(GCNs)中,所有邻居节点被平等对待,但实际上,某些节点可能比其他节点具有更大影响。为了考虑邻居节点的重要性的变化,研究人员引入了图注意力网络(GAT)。本研究的目的是评估GAT在汇率预测中的有效性。分析涵盖了2020年至2024年主要世界货币的时间序列。使用GAT获得的预测结果与基准模型如ARIMA、GARCH、MLP、GCN和LSTM-GCN的结果进行了比较。研究表明,GAT网络优于许多方法。这些结果可能具有实际应用价值,支持投资者和分析师进行决策。
论文解读文章:汇率预测中的图注意力网络
一、研究背景与问题
汇率预测是金融市场分析中的核心挑战,为投资策略、风险管理和国际贸易规划提供基础。传统统计方法(如ARIMA、GARCH)受限于线性假设,难以捕捉汇率市场固有的非线性、高维动态关系。汇率之间形成密集网络,受宏观因素、央行决策及全球事件影响。现有深度学习模型(如LSTM、CNN)虽能处理时序依赖,但往往忽略跨货币之间的相互作用。图神经网络(GNNs)通过将货币表示为节点、相关性表示为边,提供了建模这些复杂依存关系的框架。然而,标准图卷积网络(GCN)对所有邻居节点赋予等权重,无法反映影响力的不对称性。图注意力网络(GAT)通过引入注意力机制动态学习邻居权重,克服了这一局限。研究旨在回答三个问题:Q1:结合GAT与LSTM的混合模型(LSTM-GAT)是否在汇率市场中优于传统计量模型和标准深度学习架构?Q2:基于注意力的动态空间依赖性在多大程度上提高了单个收益率预测的准确性?Q3:基于历史相关性的加权图结构是否为注意力机制提供了比简单二值网络更稳健的基础?论文发表在《Econometrics》。
研究人员开展了什么研究:使用2020年1月2日至2024年12月31日期间15种货币兑新西兰元(X/NZD)的日度汇率数据(来源:stooq.com),构建货币图,节点代表货币,边基于对数收益率相关性。测试了二值图(阈值0.7)和加权图(实际相关系数)两种图结构。提出LSTM-GAT混合模型,并与Naive、ARIMA、GARCH、MLP、CNN、GCN、LSTM-GCN等基准模型比较。评估指标为平均绝对误差(MAE)和均方误差(MSE)。
主要结论:LSTM-GAT模型(尤其二值图版本)在预测精度上与最佳统计模型GARCH相当,显著优于MLP、CNN、GCN等。加权图结构并未带来提升,表明模型内部自学习的注意力权重优于预先设定的静态权重。个别货币(如RUB、ILS、JPY)预测误差较高,反映了其高波动性和独特政策因素。研究证实GAT能捕捉动态、非对称的货币间依赖关系,为投资组合管理和政策监控提供新视角。
二、关键技术方法
1. 图构建:基于15种货币对数收益率的皮尔逊相关系数构建图,节点为货币,边为相关性关系。采用两种图结构:二值图(相关性阈值0.7)和加权图(相关性值作为边权重)。2. 模型架构:LSTM-GAT混合模型包含两层GAT层(每层4头注意力)、ReLU激活、Dropout正则化,结合LSTM处理时序依赖。3. 训练与评估:使用MSE作为损失函数,Adam优化器。数据按时间顺序划分70%训练、15%验证、15%测试(2024年4月9日至12月31日)。采用30天回溯窗口预测次日对数收益率。4. 对比基准:包括GARCH(1,1)(零均值配置)、ARIMA、MLP、CNN、GCN及LSTM-GCN。
三、研究结果
**5.1. 与基准模型的预测结果比较**
通过对比实验,LSTM-GAT_b(二值图)和LSTM-GAT_w(加权图)在测试集上取得最低MAE(约0.4187)和MSE,与GARCH模型性能相当,优于Naive、ARIMA、MLP、CNN、GCN及LSTM-GCN。GARCH(1,1)的零均值配置有效证实了有效市场假说(EMH)的强形式,表明均值预测几乎为随机游走。GAT模型尤其二值图版本表现强劲,而加权图版本未显著提升,说明模型自学习的注意力权重优于预设相关权重。GCN和GAT_w误差较高,表明缺乏注意力机制或预定义权重会限制模型对动态市场的适应能力。
**5.2. 单个货币的预测结果**
LSTM-GAT_b对GBP、EUR、NOK、SGD、SEK等货币预测误差最低,这些货币具有稳定市场地位和强外向影响力。对RUB、ILS、JPY预测误差最高。RUB因高波动性和地缘政治因素(如2024年制裁导致贬值50%)最难预测;ILS和JPY受独特政策(如日本央行政策)影响。箱线图显示RUB误差分布包含大量离群值,EUR和GBP分布紧凑。MSE热图揭示特定时间点(如2024年8月、12月)模型在多货币上同时出现高误差,可能与宏观冲击有关。
四、总结与讨论
讨论部分指出,GAT模型的注意力机制能够捕捉非对称、时变依赖关系,使预测超越传统统计方法。与有效市场假说(EMH)一致,一步预测的均值几乎不可预测,但LSTM-GAT通过结构信息提供了额外洞察。研究证实GAT在汇率预测中的优势,与Guan和Ge(2024)的STGAT研究结论一致。二值图优于加权图的结果表明,静态先验权重可能不反映快速变化的市场关系。本研究的实践意义包括:短期交易中,LSTM-GAT可识别预测性较高的货币(如EUR、GBP);组合管理中,动态注意力权重有助于检测多样化收益减弱时期;宏观层面,可监测货币影响力溢出。局限在于计算成本高、市场非平稳性需持续图适应、未考虑交易成本。未来方向包括实时适应、整合新闻情感等多模态数据、与Transformer模型比较、提升可解释性。
研究结论:研究人员通过实证回答了三个研究问题。对于Q1,验证了LSTM-GAT混合模型构成优于标准深度学习方法和传统基准的结构框架,尽管GARCH在MSE上仍具竞争力。对于Q2,确认整合基于注意力的空间依赖性显著提升了模型捕捉动态和非对称货币关系的能力。对于Q3,实验表明加权图结构为注意力机制提供了更细致的先验信息基础。结果对短期交易、组合管理和宏观政策监测具有实际意义。未来研究需解决实时适应、多模态数据融合及可解释性提升等关键领域。