[論文レビュー] A Deep Learning Framework for Pricing Financial Instruments

Qiong Wu, Zheng Zhang+3 more|arXiv (Cornell University)|Jan 1, 2019

Stock Market Forecasting Methods参考文献 42被引用数 6

ひとこと要約

本論文は、技術的指標、財務ニュース、クロスセクショナル信号を統合する深層学習フレームワークを提案する。グラフベースのアーキテクチャを用いて、資産間の相互作用を効率的にモデル化し、過学習を回避する。このモデルは線形ベースラインと比較して優れた一般化性能と低い計算コストを達成し、複数の取引シミュレータにおいて予測精度と収益化性能の両面で既存手法を上回る。

ABSTRACT

We propose an integrated deep learning architecture for the stock movement prediction. Our architecture simultaneously leverages all available alpha sources. The sources include technical signals, financial news signals, and cross-sectional signals. Our architecture possesses three main properties. First, our architecture eludes overfitting issues. Although we consume a large number of technical signals but has better generalization properties than linear models. Second, our model effectively captures the interactions between signals from different categories. Third, our architecture has low computation cost. We design a graph-based component that extracts cross-sectional interactions which circumvents usage of SVD that's needed in standard models. Experimental results on the real-world stock market show that our approach outperforms the existing baselines. Meanwhile, the results from different trading simulators demonstrate that we can effectively monetize the signals.

研究の動機と目的

• 技術的インジケーター、財務ニュース、クロスセクショナル信号といった多様なアルファ源を統合する統一された深層学習アーキテクチャの開発を目的とする。これにより、株価予測の精度が向上することを目的とする。
• とくに線形モデルと比較して、多数の技術的信号を用いるモデルでよく見られる過学習を軽減することを目的とする。
• SVDのような計算コストの高い手法に依存せずに、異なるカテゴリの信号間の複雑な相互作用を効果的にモデル化することを目的とする。
• SVDをグラフベースのコンponentに置き換えることで、クロスセクショナル関係のモデル化にかかる計算コストを低減することを目的とする。
• 複数の取引シミュレータでのバックテストを通じて、モデルが経済的に意味のあるアルファを生成できるかどうかを示すこと。

提案手法

• 技術的信号、財務ニュース埋め込み、クロスセクショナルデータを別々に符号化するためのマルチストリーム入力処理パイプラインを採用する。
• クロスセクショナル信号間の相互作用をモデル化するため、従来のSVDベースの分解に代わるグラフベースのニューラルネットワークコンponentを導入する。
• すべての信号タイプからの表現を、学習可能なアテンションまたは連結メカニズムを通じて統合し、共同学習を可能にする。
• 予測損失関数を確率的勾配降下法で最適化することで、エンドツーエンドでモデルを訓練する。
• 高い信号次元数にもかかわらず過学習を緩和するため、ドロップアウトや重み減衰などの正則化技術を適用する。
• パラメータ効率的なアーキテクチャ設計により、推論コストを最小限に抑えつつ、高い予測性能を維持する。

実験結果

リサーチクエスチョン

• RQ1 技術的、ニュース、クロスセクショナル信号といった異種のアルファ源を統合できる統一された深層学習フレームワークは、単一の予測モデルとして効果的に機能するか？
• RQ2 提案されたクロスセクショナル相互作用モデル化のためのグラフベースコンponentは、計算効率と予測精度の面で、従来のSVDベースのアプローチを上回るか？
• RQ3 多数の技術的インジケーターを扱う際、線形モデルと比較して、このモデルはどの程度一般化性能が優れているか？
• RQ4 異なる市場環境下でも、このモデルの予測は複数の取引シミュレータで効果的に経済的収益（アルファ）に変換できるか？
• RQ5 カテゴリ間の信号相互作用は、個々の信号のパフォーマンスを超えて、株価予測精度をどのように向上させるか？

主な発見

• 多数の技術的信号を用いても、線形モデルと比較して優れた一般化性能を示しており、過学習の効果的抑制を裏付ける。
• SVDに依存せずに、グラフベースのコンponentがクロスセクショナル相互作用を的確に捉え、従来のモデルと比較して計算コストを低減した。
• 実市場データ上でのバックテストにおいて、既存のベースラインを上回る株価予測精度を達成した。
• 複数の取引シミュレータでのバックテストにより、モデルが経済的に有意なアルファを生成することが確認され、統合信号の有効な収益化が示された。
• 異なる信号タイプの統合により、予測性能が向上し、カテゴリ間の信号相互作用をモデル化することが重要であることが明らかになった。