Chapter 27: Graph Neural Networks — Sector Momentum via Correlation Networks

Chapter 27: Graph Neural Networks — Sector Momentum via Correlation Networks

Overview

Graph Neural Networks (GNN) позволяют моделировать взаимосвязи между активами как граф, где узлы — это акции, а рёбра — корреляции или экономические связи. В этой главе мы используем GNN для обнаружения lead-lag relationships между акциями и построения momentum стратегии на основе “заражения” momentum от лидеров к лаггерам.

Trading Strategy

Суть стратегии: Когда лидер сектора показывает сильный momentum, с задержкой этот momentum “распространяется” на связанные акции. GNN предсказывает, какие акции последуют за лидером.

Сигнал на вход:

• Long: Лаггер с высоким predicted momentum после сигнала от лидера
• Short: Лаггер с низким predicted momentum после негативного сигнала лидера

Edge: Lead-lag relationship exploitation — торгуем лаггера, когда лидер уже показал направление

Technical Specification

Notebooks to Create

#	Notebook	Description
1	01_data_and_graph_construction.ipynb	Построение графа из корреляционной матрицы
2	02_graph_analysis.ipynb	Анализ графа: centrality, communities, hubs
3	03_lead_lag_detection.ipynb	Статистическое обнаружение lead-lag пар
4	04_gnn_architecture.ipynb	Разбор GCN, GAT, GraphSAGE архитектур
5	05_node_feature_engineering.ipynb	Features для каждой акции (node attributes)
6	06_model_training.ipynb	Обучение GNN для node classification/regression
7	07_momentum_propagation.ipynb	Моделирование распространения momentum
8	08_trading_strategy.ipynb	Реализация и backtesting стратегии
9	09_dynamic_graphs.ipynb	Временные графы — эволюция структуры

Data Requirements

Stock Universe:
├── S&P 500 constituents (500 акций)
├── Daily OHLCV (5+ лет)
├── Sector/Industry classification (GICS)
├── Market cap, Book value (для фильтрации)
└── Earnings dates (опционально)

Graph Construction:
├── Rolling correlation matrix (60-day window)
├── Partial correlations (controlling for market)
├── Supply chain relationships (альтернатива)
└── Sector membership edges

Graph Construction Methods

# Method 1: Correlation threshold
G = nx.Graph()
corr_matrix = returns.rolling(60).corr()
for i, j in combinations(stocks, 2):
    if abs(corr_matrix.loc[i, j]) > threshold:
        G.add_edge(i, j, weight=corr_matrix.loc[i, j])

# Method 2: k-Nearest Neighbors
from sklearn.neighbors import kneighbors_graph
knn_graph = kneighbors_graph(return_features, k=10, mode='connectivity')

# Method 3: Minimum Spanning Tree
from scipy.sparse.csgraph import minimum_spanning_tree
mst = minimum_spanning_tree(distance_matrix)

GNN Architecture Options

1. Graph Convolutional Network (GCN):
   - Простая свёртка по соседям
   - h_v = σ(W · MEAN({h_u : u ∈ N(v)}))

2. Graph Attention Network (GAT):
   - Attention weights для соседей
   - Разная важность разных связей

3. GraphSAGE:
   - Inductive learning (новые ноды)
   - Sampling соседей для масштабируемости

4. Temporal Graph Networks:
   - Эволюция графа во времени
   - Memory для отслеживания истории

Node Features (per stock)

Technical:
├── Momentum (1m, 3m, 6m, 12m returns)
├── Volatility (realized, ATR)
├── RSI, MACD signals
└── Volume anomaly

Fundamental:
├── Sector one-hot encoding
├── Market cap decile
├── Book-to-market
└── Earnings surprise (last)

Graph-derived:
├── Degree centrality
├── PageRank
├── Clustering coefficient
└── Community membership

Key Metrics

• Graph Quality: Modularity, Average clustering, Assortativity
• Prediction: Accuracy, AUC-ROC for direction, IC for returns
• Strategy: Sharpe Ratio, Hit Rate, Average holding period

Dependencies

torch-geometric>=2.3.0
networkx>=3.0
scipy>=1.10.0
pandas>=1.5.0
numpy>=1.23.0
matplotlib>=3.6.0
scikit-learn>=1.2.0
yfinance>=0.2.0

Expected Outcomes

1. Dynamic correlation graph для S&P 500 с визуализацией communities
2. Lead-lag pairs detection — статистически значимые пары лидер-лаггер
3. GNN модель для предсказания momentum propagation
4. Trading strategy с exploitation lead-lag relationships
5. Сравнение с простым sector momentum

References

• Graph Neural Networks: A Review of Methods and Applications
• Temporal Graph Networks for Deep Learning on Dynamic Graphs
• Deep Learning for Asset Correlation Analysis
• PyTorch Geometric Documentation

Difficulty Level

⭐⭐⭐⭐⭐ (Expert)

Требуется понимание: Graph theory, GNN архитектур, Lead-lag analysis, Network analysis