[論文レビュー] A two-stage architecture for stock price forecasting by combining SOM and fuzzy-SVM

Duc-Hien Nguyen, Manh-Thanh Le|arXiv (Cornell University)|Aug 22, 2014

Stock Market Forecasting Methods参考文献 17被引用数 8

ひとこと要約

本稿では、入力空間のクラスタリングに自己組織化マップ（SOM）を用い、規則ベースの予測にファジィ・サポートベクターマシン（f-SVM）を組み合わせた二段階の株価予測モデルを提案する。この手法は、クラスタリングされたデータからファジィ規則を抽出し、ファジィ推論を適用して予測を行う。4つの株価データセットにおいて、ベースラインモデルよりも高い精度を示した。

ABSTRACT

This paper proposed a model to predict the stock price based on combining Self-Organizing Map (SOM) and fuzzy-Support Vector Machines (f-SVM). Extraction of fuzzy rules from raw data based on the combining of statistical machine learning models is base of this proposed approach. In the proposed model, SOM is used as a clustering algorithm to partition the whole input space into the several disjoint regions. For each partition, a set of fuzzy rules is extracted based on a f-SVM combining model. Then fuzzy rules sets are used to predict the test data using fuzzy inference algorithms. The performance of the proposed approach is compared with other models using four data sets

研究の動機と目的

• 教師なし学習と教師あり学習の手法を統合することで、株価予測の精度を向上させるハイブリッド予測モデルの開発を目的とする。
• 入力空間の分割と局所的なファジィモデリングを適用する二段階アーキテクチャにより、株価変動の複雑さと非線形性に対処することを目的とする。
• f-SVMを用いてデータクラスタからファジィ規則を抽出することで、予測の解釈可能性とロバスト性を向上させることを目的とする。
• 実世界の金融時系列データを用いて、従来のモデルと比較して本モデルの性能を検証することを目的とする。

提案手法

• 自己組織化マップ（SOM）を用いて、入力特徴空間を互いに重複しない領域にクラスタリングし、次元削減と非線形パターンの抽出を実現する。
• 各クラスタに対して、ファジィ・サポートベクターマシン（f-SVM）モデルを訓練し、入力特徴と株価変動の局所的関係を記述するファジィ規則を抽出する。
• ファジィ推論システムが抽出された規則を新規のテストデータに適用し、ファジィ論理を用いて規則出力を統合して最終的な価格予測を生成する。
• 統計的学習（SOM）とファジィ論理、サポートベクターマシンを統合することで、汎化性能と解釈可能性の両立を図る。
• 二段階のプロセスにより、グローバル構造学習（SOMによる）とローカルパターンモデリング（f-SVMによる）を分離し、予測の安定性を向上させる。
• 4つの実際の株価データセットを用いて、標準的な指標を用いて性能を評価し、ハイブリッドモデルをベースラインモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 SOMとf-SVMを組み合わせた二段階アーキテクチャは、単一モデルアプローチと比較して、株価予測の精度を向上させることができるか？
• RQ2 SOMに基づくクラスタリングは、非線形株価ダイナミクスをモデリングするファジィ-SVMの性能をどの程度向上させることができるか？
• RQ3 クラスタリングされたデータから抽出されたファジィ規則は、予測の解釈可能性とロバスト性をどの程度向上させるか？
• RQ4 多様な金融時系列データにおいて、本モデルは従来のモデルと比較してどの程度の性能を示すか？
• RQ5 教師なしクラスタリングと教師ありファジィ学習を統合することで、より安定的で正確な予測が得られるか？

主な発見

• 提案されたSOM-f-SVMモデルは、テストされた4つの株価データセットすべてでベースラインモデルを上回る高い予測精度を達成した。
• 二段階アーキテクチャは、意味のあるクラスタに入力空間を分割することで、ノイズ低減と一般化性能の向上を効果的に実現した。
• クラスタリングされたデータからのファジィ規則抽出により、モデルの解釈性が向上した一方で、高い予測性能を維持した。
• SOMとf-SVMの統合により、単体モデルと比較して、異なる市場環境下でもより安定した予測が得られた。
• 特に複雑な市場環境下でも、非線形的かつ変動が激しい株価パターンの取り扱いにおいて、本モデルは高いロバスト性を示した。
• 性能比較の結果、テストされたシナリオにおいて、従来のSVMおよびファジィ論理モデルと比較して、ハイブリッドアプローチの優位性が確認された。