[論文レビュー] A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data

Qi Zhao|arXiv (Cornell University)|Oct 11, 2020

Stock Market Forecasting Methods参考文献 23被引用数 5

ひとこと要約

本稿では、高頻度の取引単位データを用いて暗号資産の短期価格動向を予測するためのディープラーニングフレームワークを提案する。11900万件を超えるBTC-USDT取引で訓練されたモデルは、検証データに対して60%を超える精度を達成し、再訓練なしに他のデジタル資産に対しても効果的に一般化する。これは、取引レベルのデータに普遍的な価格予測特徴が存在することを示している。

ABSTRACT

This paper presents a deep learning framework based on Long Short-term Memory Network(LSTM) that predicts price movement of cryptocurrencies from trade-by-trade data. The main focus of this study is on predicting short-term price changes in a fixed time horizon from a looking back period. By carefully designing features and detailed searching for best hyper-parameters, the model is trained to achieve high performance on nearly a year of trade-by-trade data. The optimal model delivers stable high performance(over 60% accuracy) on out-of-sample test periods. In a realistic trading simulation setting, the prediction made by the model could be easily monetized. Moreover, this study shows that the LSTM model could extract universal features from trade-by-trade data, as the learned parameters well maintain their high performance on other cryptocurrency instruments that were not included in training data. This study exceeds existing researches in term of the scale and precision of data used, as well as the high prediction accuracy achieved.

研究の動機と目的

• 高頻度の取引単位データを用いて、暗号資産の短期価格方向を予測できるディープラーニングフレームワークの開発。
• 歪んだクラス分布、非定常な価格レジーム、高頻度取引といったファイナンシャルタイムシリーズ予測の課題への対処。
• モデルの性能をアウトオブサンプルデータで評価し、異なる暗号資産取引ペア間での移行性を評価すること。
• 取引レベルデータに普遍的な特徴が存在するかを調査し、価格予測モデルの資産間一般化を可能にするか。
• モデルの実用的収益化可能性を、現実的なトレーディングシミュレーション環境で示すこと。

提案手法

• モデルは、固定されたルックバックウィンドウ内で順序付きの取引単位データを処理するため、長短期記憶（LSTM）ネットワークアーキテクチャを用いる。
• 特徴量は、生の取引データから、価格変化、取引量の不均衡、およびローリング時間ウィンドウ内の注文フロー指標を慎重に設計する。
• 独創的なデータサンプリング戦略として、ランダムオフセットを用いて多様なトレーニング例を生成し、冗長性を低減しながらデータカバレッジと利用度を維持する。
• トレーニングおよびバリデーションセットは、クラス分布を同等に保つためのストラティファイドサンプリングを用いることで、一般化性能を向上させ、過学習を低減する。
• ハイパーパrameterは、広範なグリッドサーチにより調整され、最適な設定は、ルックバックウィンドウ長（l=300,000取引）および予測ホライゾン（m=6五分間隔）で特定された。
• トレーディングシミュレーションは、取引データを五分間隔にリサンプリングし、モデルの予測に基づいて取引を実行するもので、取引コストを考慮する。

実験結果

リサーチクエスチョン

• RQ1 単一の暗号資産からの取引単位データのみを用いて、LSTMベースのモデルが短期価格動向を高い精度で予測できるか。
• RQ2 再トレーニングなしに他のデジタル資産に対してもモデルが一般化できるか。これは、取引レベルデータに普遍的な特徴が存在することを示唆する。
• RQ3 ハイパーパrameterの選択、特にルックバックウィンドウサイズと予測ホライゾンが、モデルの性能および一般化に与える影響は。
• RQ4 モデルの予測は、取引コストを考慮した現実的なトレーディングシミュレーション環境で収益化可能か。
• RQ5 モデルのパフォーマンスとリサンプリング間隔長、または予測ホライゾンとの間に安定した相関関係が存在するか。

主な発見

• 最適なLSTMモデルは、三か月間のテスト期間（2019/12/01–2020/02/28）において、アウトオブサンプル予測精度が60%を超えることを達成し、先行研究のベースライン性能を顕著に上回った。
• モデルは他の主要な暗号資産に対しても効果的に一般化する：イーサリアム（60.48%）、ビットコインキャッシュ（60.17%）、ライトコイン（59.96%）、EOS（60.03%）ともに、再トレーニングなしで高い精度を示した。
• モデルは、取引コストの課題を考慮しても、シミュレーテッドトレーディング環境においてビットコインの価格変動を上回った。これは、実世界での利益創出の可能性を示唆している。
• モデルのパフォーマンスは、さまざまな時間ホライゾンおよびリサンプリング間隔に対して頑健であり、長いリサンプリング間隔と短い予測ホライゾンがより良い結果をもたらした。
• ランダムオフセットサンプリングの使用により、トレーニングの冗長性が顕著に低減され、同時にデータ利用度とモデルの一般化性能が維持された。
• 結果から、デジタル資産の価格動向は意味のある程度まで予測可能であり、取引単位データにディープラーニングモデルが抽出可能な普遍的特徴が存在することが示唆された。