[論文レビュー] A Stock Selection Method Based on Earning Yield Forecast Using Sequence Prediction Models

Jessie Sun|arXiv (Cornell University)|May 12, 2019

Stock Market Forecasting Methods被引用数 5

ひとこと要約

本稿では、長期的投資意思決定を改善するために、長短期記憶（LSTM）およびゲート付き再帰ユニット（GRU）ネットワークを用いて収益利回り（EBIT/EV）を予測する株式選択手法を提案する。系列モデルは従来のフィードフォワードニューラルネットワークを上回る性能を示し、特にGRUは株式スクリーニングにおける基本的価値要因の予測においてわずかに高い正確性を示した。

ABSTRACT

Long-term investors, different from short-term traders, focus on examining the underlying forces that affect the well-being of a company. They rely on fundamental analysis which attempts to measure the intrinsic value an equity. Quantitative investment researchers have identified some value factors to determine the cost of investment for a stock and compare different stocks. This paper proposes using sequence prediction models to forecast a value factor-the earning yield (EBIT/EV) of a company for stock selection. Two advanced sequence prediction models-Long Short-term Memory (LSTM) and Gated Recurrent Unit (GRU) networks are studied. These two models can overcome the inherent problems of a standard Recurrent Neural Network, i.e., vanishing and exploding gradients. This paper firstly introduces the theories of the networks. And then elaborates the workflow of stock pool creation, feature selection, data structuring, model setup and model evaluation. The LSTM and GRU models demonstrate superior performance of forecast accuracy over a traditional Feedforward Neural Network model. The GRU model slightly outperformed the LSTM model.

研究の動機と目的

• 系列予測モデルを用いて収益利回り（EBIT/EV）を予測することに基づくデータドリブンな株式選択手法の開発を目的とする。
• 先進的な再帰的ニューラルネットワーク（LSTMおよびGRU）の性能を、従来のフィードフォワードニューラルネットワークと比較し、基本的価値要因の予測精度を評価することを目的とする。
• 金融データの時間的パターンを活用して収益利回りの予測精度を向上させることで、長期的投資戦略の強化を図ることを目的とする。
• 系列ベースのバリューアイノベーションの文脈において、株式プール作成、特徴選択、データ構造化、モデル訓練、評価のための体系的ワークフローの確立を目的とする。

提案手法

• 本研究では、収益利回り予測のための系列的金融時系列データをモデル化するために、長短期記憶（LSTM）およびゲート付き再帰ユニット（GRU）ネットワークを用いる。
• 時系列的依存関係を学習できるように、履歴のEBITおよびエンタープライズバリュー（EV）を系列として構造化したデータを用いてモデルを訓練する。
• 収益利回りに影響を与える関連する基本的および市場指標を含めるために特徴選択を実施する。
• データ前処理、モデルアーキテクチャ設計、パフォーマンスベンチマークの各段階を含む標準化されたワークフローを用いて、モデルの訓練と評価を実施する。
• 予測精度の比較のため、回帰評価指標を用いてLSTM、GRU、およびベースラインのフィードフォワードニューラルネットワークの性能を評価する。
• 系列モデリングと基本的分析を統合することで、バリューアイノベーションにおける体系的株式選択を支援するフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 LSTMおよびGRUモデルは、長期的株式選択のための収益利回り（EBIT/EV）を効果的に予測できるか？
• RQ2 この金融予測タスクにおいて、LSTMおよびGRUモデルは従来のフィードフォワードニューラルネットワークと比較して予測精度で優れているか？
• RQ3 系列モデリングは、株式選択における基本的価値要因の予測の信頼性を向上させる影響を及ぼすか？
• RQ4 より単純な構造を有するGRUアーキテクチャは、収益利回りの予測においてLSTMを上回る性能を示すか？

主な発見

• LSTMおよびGRUモデルは、従来のフィードフォワードニューラルネットワークと比較して、収益利回りの予測精度が優れていることが明らかになった。
• GRUモデルはLSTMモデルよりもわずかに高い予測精度を示した。これは、学習効率および勾配安定性の面で潜在的な利点がある可能性を示唆している。
• 系列予測モデルは、金融時系列データにおける時間的依存関係を効果的に捉えており、収益利回り予測の信頼性を向上させた。
• 提案手法は、基本的価値要因に基づく体系的かつデータドリブンな株式選択アプローチを提供し、従来のモデルを改善している。