[論文レビュー] A Machine Learning Framework for Stock Selection

Xingyu Fu, Jin‐Hong Du+4 more|arXiv (Cornell University)|Jun 5, 2018

Stock Market Forecasting Methods参考文献 12被引用数 13

ひとこと要約

本論文は、244のテクニカルおよびファンダメンタル特徴量を用いた機械学習フレームワークを提案し、スタッキング（ランダムフォレストとディープニューラルネットワークの組み合わせ）によるモデルアンサンブルが最高のパフォーマンスを達成した。中国株式市場で検証されたこのアプローチは、AUC 0.972に達し、バックテストでも市場を上回った。遺伝的アルゴリズムにより冗長な特徴量が削減されながらもパフォーマンスに損なわれなかった。

ABSTRACT

This paper demonstrates how to apply machine learning algorithms to distinguish good stocks from the bad stocks. To this end, we construct 244 technical and fundamental features to characterize each stock, and label stocks according to their ranking with respect to the return-to-volatility ratio. Algorithms ranging from traditional statistical learning methods to recently popular deep learning method, e.g. Logistic Regression (LR), Random Forest (RF), Deep Neural Network (DNN), and the Stacking, are trained to solve the classification task. Genetic Algorithm (GA) is also used to implement feature selection. The effectiveness of the stock selection strategy is validated in Chinese stock market in both statistical and practical aspects, showing that: 1) Stacking outperforms other models reaching an AUC score of 0.972; 2) Genetic Algorithm picks a subset of 114 features and the prediction performances of all models remain almost unchanged after the selection procedure, which suggests some features are indeed redundant; 3) LR and DNN are radical models; RF is risk-neutral model; Stacking is somewhere between DNN and RF. 4) The portfolios constructed by our models outperform market average in back tests.

研究の動機と目的

• 金融市場における高パフォーマンス株と低パフォーマンス株を区別する堅牢な機械学習フレームワークの開発。
• ノイズが多く非ステーションナリティな金融データの課題に対処するため、多様なモデルと効果的な特徴量選択を統合。
• モデルのパフォーマンスを統計的指標だけでなく、市場ベンチマークとの比較による実践的ポートフォリオバックテストを通しても評価。
• 異なるモデル（例：レディカル、リスク中立的）のリスクプロファイルを調査し、スタッキング学習の株式選択における有効性を検証。

提案手法

• 1株あたり244のテクニカルおよびファンダメンタル特徴量を構築し、その株式の金融的・価格行動を時間的経過に沿って表現。
• シャープレシオの代理指標であるリターン・トゥ・ボラティリティ比に基づき、株式を上位Q%（ポジティブ）または下位Q%（ネガティブ）にラベル付けし、バランスの取れた分類タスクを構築。
• 複数のモデルを適用：ロジスティック回帰（LR）、ランダムフォレスト（RF）、ディープニューラルネットワーク（DNN）、およびスタッキング（RFとDNNの出力を入力とするLRをメタラーナーとして使用）。
• 遺伝的アルゴリズム（GA）を用いてグローバルな特徴量サブセット選択を実施し、冗長性と計算コストを低減。
• DNNにおける過学習を低減するため、正則化技術（ドロップアウト、バッチノーマライゼーション、L2ペナルティ）を導入。
• スタッキングモデルの訓練には3分割法を採用：Train-1 と Train-2 をベースモデル（DNNは結合データ、RFはTrain-2）の訓練に使用し、Validationデータをメタラーナー（LR）の訓練に使用（ベースモデルの予測出力を入力として使用）。

実験結果

リサーチクエスチョン

• RQ1 テクニカルおよびファンダメンタル特徴量の組み合わせを用いた機械学習フレームワークは、『良い』株と『悪い』株を効果的に分類できるか？
• RQ2 ロジスティック回帰（LR）、ランダムフォレスト（RF）、ディープニューラルネットワーク（DNN）、スタッキングの各モデルのパフォーマンス（AUC、正解率、リスクプロファイル）は、どのように比較できるか？
• RQ3 遺伝的アルゴリズムによる特徴量選択は、予測性能を劣化させることなく、どの程度モデルの効率性を向上させるか？
• RQ4 ロジスティック回帰（LR）、ランダムフォレスト（RF）、ディープニューラルネットワーク（DNN）、スタッキングのリスクプロファイルはどのように比較されるか？特に、LRとDNNは攻撃的で、スタッキングはバランスの取れたハイブリッド戦略であるか？
• RQ5 モデルの予測結果に基づくポートフォリオは、アウトオブサンプルのバックテストにおいて市場インデックスを上回るパフォーマンスを示せるか？

主な発見

• ランダムフォレストとディープニューラルネットワークの予測をロジスティック回帰メタラーナーで統合するスタッキングモデルが、最高のAUCスコア0.972を達成し、すべての個別モデルを上回った。
• 遺伝的アルゴリズムにより、元の244の特徴量から114の特徴量に削減されたが、モデルパフォーマンスに顕著な低下は見られず、初期の特徴量セットに顕著な冗長性があることが示された。
• ロジスティック回帰とディープニューラルネットワークは高い再現率と低い適合率を示し、高コンフィデンスの選択を重視するレディカルな投資戦略であることが示された。
• ランダムフォレストは精度と再現率の両方がバランスが取れており、リスク中立的戦略を示しているのに対し、スタッキングのパフォーマンスとリスクプロファイルはDNNとRFの中間的であった。
• モデルの出力に基づくポートフォリオは、2015年、2017年、2018年という異なる出発日を用いた複数のバックテストにおいて、市場平均を一貫して上回った。
• 統計的および実践的検証パイプラインにより、このフレームワークが実世界の株式選択において極めて高い正確性と実用性を有することが確認された。