[論文レビュー] A Study on Stock Forecasting Using Deep Learning and Statistical Models

Himanshu Gupta, Aditya Jaiswal|arXiv (Cornell University)|Feb 8, 2024

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本研究では、S&P 500データを用いた株価予測において、ディープラーニングモデルと統計モデル（ARIMA、RNN、LSTM、CNN、WaveNetベースのFull CNN）を評価した。主な評価指標として平均絶対誤差（MAE）を用い、30日間のウィンドウを用いたLSTMが1.18の最低MAEを記録し、ARIMA（MAE 2.8）やFull CNN（MAE 7.98）をすべて上回った。

ABSTRACT

Predicting a fast and accurate model for stock price forecasting is been a challenging task and this is an active area of research where it is yet to be found which is the best way to forecast the stock price. Machine learning, deep learning and statistical analysis techniques are used here to get the accurate result so the investors can see the future trend and maximize the return of investment in stock trading. This paper will review many deep learning algorithms for stock price forecasting. We use a record of s&p 500 index data for training and testing. The survey motive is to check various deep learning and statistical model techniques for stock price forecasting that are Moving Averages, ARIMA which are statistical techniques and LSTM, RNN, CNN, and FULL CNN which are deep learning models. It will discuss various models, including the Auto regression integration moving average model, the Recurrent neural network model, the long short-term model which is the type of RNN used for long dependency for data, the convolutional neural network model, and the full convolutional neural network model, in terms of error calculation or percentage of accuracy that how much it is accurate which measures by the function like Root mean square error, mean absolute error, mean squared error. The model can be used to predict the stock price by checking the low MAE value as lower the MAE value the difference between the predicting and the actual value will be less and this model will predict the price more accurately than other models.

研究の動機と目的

• ディープラーニングモデル（LSTM、RNN、CNN、WaveNet）と統計モデル（ARIMA、移動平均）の株価予測性能を比較すること。
• MAE、RMSE、MSEなどの定量的誤差指標を用いて、S&P 500インデックス予測に最も精度の高いモデルを同定すること。
• ウィンドウサイズとデータ前処理の影響が時系列株価予測の精度に与える影響を評価すること。
• ボラティリティが高く非定常な金融時系列において、ディープラーニングモデルが従来の統計モデルを一貫して上回るかどうかを特定すること。

提案手法

• ARIMA、RNN、LSTM、CNN、Full CNNモデルを、歴史的S&P 500データ（始値、高値、安値、終値、出来高）に対して訓練およびテストした。
• LSTMおよびCNNモデルの時間的依存性を捉えるために、20日間および30日間のウィンドウサイズを用いたスライディングウィンドウ手法を採用した。
• Full CNNモデルでは、拡張畳み込み（拡張率1, 2, 4, 8）を用いたWaveNetにインspiredされたアーキテクチャを実装し、長期的パターンを捉えた。
• 非定常性を低減するために、正規化および差分処理などのデータ前処理技術を適用した。
• MAE、RMSE、MSEを用いてモデルの性能を評価し、MAEが低いほど予測精度が高いと判断した。
• モデル開発、訓練、可視化にはPython、NumPy、Keras、scikit-learn、matplotlibを用いた。

実験結果

リサーチクエスチョン

• RQ1 統計モデル（ARIMA）とディープラーニングモデル（LSTM、RNN、CNN）のうち、S&P 500株価予測で最も低い平均絶対誤差（MAE）を達成するのはどれか？
• RQ2 ウィンドウサイズ（20日対30日）が、LSTMおよびCNNモデルの株価予測性能に与える影響は何か？
• RQ3 WaveNetベースのFull CNNモデルは、通常の前処理済みCNNよりも、株価データの時間的パターンをより効果的に捉えられるか？
• RQ4 RNNの変種（シーケンス・トゥ・ベクトル対シーケンス・トゥ・シーケンス）は、金融時系列の予測精度においてどのように比較されるか？
• RQ5 ディープラーニングモデルは、ナイーブモデルおよび移動平均ベースラインと比較して、予測誤差をどの程度低減できるか？

主な発見

• 30日間ウィンドウを用いたLSTMが1.18の最低MAEを記録し、ARIMA（MAE 2.8）やFull CNN（MAE 7.98）をすべて上回った。
• Full CNNモデル（MAE 7.98）は、前処理済みCNN（MAE 12.65）を著しく上回り、WaveNetアーキテクチャの有効性を示した。
• シーケンス・トゥ・シーケンスRNNは、シーケンス・トゥ・ベクトルRNN（MAE 23.07）よりも低いMAE（4.19）を達成し、長期的依存性の学習がより効果的であることが示された。
• ARIMAはMAE 2.8という比較的高い性能を示したが、LSTMを含むすべてのディープラーニングモデルに劣った。
• ナイーブモデル（前日価格を用いる）は強力なベースラインであったが、すべてのディープラーニングモデルがそれを上回った。
• LSTMは、ノイズが多く非定常な株価データにおける長期的依存性と非線形パターンを効果的に捉える能力により、全指標で優れた性能を示した。