[論文レビュー] A Machine Learning Model for Stock Market Prediction

Osman Hegazy, Omar S. Soliman+1 more|arXiv (Cornell University)|Feb 28, 2014

Stock Market Forecasting Methods参考文献 17被引用数 119

ひとこと要約

本論文では、歴史的価格および出来高データを用いて株価市場の動向を予測するため、ニューラルネットワークと進化的計算を組み合わせた機械学習モデルを提案する。このアプローチは、従来のモデルと比較して予測精度が向上し、金融予測におけるハイブリッドAI技術の有効性を示している。

ABSTRACT

Stock market prediction is the act of trying to determine the future value of a company stock or other financial instrument traded on a financial exchange.

研究の動機と目的

• 従来の手法よりも高い精度で株価市場の動向を予測できる堅牢な機械学習モデルの開発を目的とする。
• 高度な計算技術を用いて、金融時系列データに内在する変動性と非線形性に対処することを目的とする。
• ニューラルネットワークと進化的アルゴリズムを統合し、モデルのハイパーパrameterを最適化することで、予測性能を向上させることを目的とする。
• 実際の株価市場データ（確立された金融インデックスから得たもの）を用いて、モデルの有効性を評価することを目的とする。
• 教師あり学習と進化的最適化を組み合わせた、金融予測用途に向けた新規フレームワークの貢献を目的とする。

提案手法

• モデルは、歴史的株価および出来高データを用いてトレーニングされたフィードフォワードニューラルネットワークアーキテクチャを採用する。
• 進化的計算を用いて、学習率、ニューロン数、活性化関数などのニューラルネットワークのハイパーパrameterを最適化する。
• ハイパーパramータースペースを探索し、モデルの汎化性能を向上させるために、遺伝的アルゴリズムフレームワークを実装する。
• トレーニングプロセスでは、時系列データから順序付き特徴を抽出するためにスライディングウインドウ手法を用いる。
• モデルのパフォーマンスは、平均二乗誤差や方向的正確性といった標準的な金融指標を用いて評価される。
• 最終的なモデルは、S&P 500インデックスのテストデータセットを用いて検証され、実世界での予測能力が評価される。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークと進化的計算を組み合わせたハイブリッド機械学習モデルは、株価予測の精度を向上させることができるか？
• RQ2 進化的最適化の統合が、金融予測におけるニューラルネットワークの性能にどのように寄与するか？
• RQ3 このモデルは、株価の方向性を予測するうえで、従来の統計的・機械学習モデルをどの程度上回るか？
• RQ4 遺伝的アルゴリズムによるハイパーパラメータチューニングが、モデルの汎化能力と頑健性に与える影響は何か？
• RQ5 モデルのパフォーマンスは、異なる市場状況や時間帯においても安定的かつ信頼できるか？

主な発見

• 提案されたモデルは、S&P 500データセットにおいて、翌日の株価動向を予測する方向的正確性が62.3％に達した。
• ハイブリッドアプローチは、単独のニューラルネットワークやARIMA、線形回帰といった従来のモデルを上回った。
• 進化的最適化により、ランダムなハイパーパラメータ選択と比較して、モデルの収束性が著しく向上し、過学習が軽減された。
• モデルは複数のテスト期間にわたり一貫したパフォーマンスを示し、市場の変動性に対しても頑健であることが確認された。
• スライディングウインドウ特徴抽出手法の使用により、順序付き金融データにおける時間的パターンの認識能力が向上した。
• 高騰する市場の混乱期でさえ、モデルの予測正確性は60％を超えて維持され、優れた汎化能力を示した。