[論文レビュー] Alpha Discovery Neural Network based on Prior Knowledge

Jie Fang, Shu‐Tao Xia+4 more|arXiv (Cornell University)|Dec 26, 2019

Stock Market Forecasting Methods参考文献 30被引用数 6

ひとこと要約

本論文は、定量的金融分野における先行知識を活用して、多様で情報豊富な金融テクニカルインジケーターを自動的に構築するドメイン特化型ニューラルネットワーク、Alpha Discovery Neural Network (ADNN) を提案する。遺伝的プログラミングに代えて事前学習とモデル prune を採用することで、ADNN は特徴量生成の効率性と多様性を向上させ、複数の指標において GP よりも優れた特徴量品質と実世界のトレーディング戦略のパフォーマンスを達成した。

ABSTRACT

Genetic programming (GP) is the state-of-the-art in financial automated feature construction task. It employs reverse polish expression to represent features and then conducts the evolution process. However, with the development of deep learning, more powerful feature extraction tools are available. This paper proposes Alpha Discovery Neural Network (ADNN), a tailored neural network structure which can automatically construct diversified financial technical indicators based on prior knowledge. We mainly made three contributions. First, we use domain knowledge in quantitative trading to design the sampling rules and object function. Second, pre-training and model pruning has been used to replace genetic programming, because it can conduct more efficient evolution process. Third, the feature extractors in ADNN can be replaced by different feature extractors and produce different functions. The experiment results show that ADNN can construct more informative and diversified features than GP, which can effectively enriches the current factor pool. The fully-connected network and recurrent network are better at extracting information from the financial time series than the convolution neural network. In real practice, features constructed by ADNN can always improve multi-factor strategies' revenue, sharpe ratio, and max draw-down, compared with the investment strategies without these factors.

研究の動機と目的

• 遺伝的プログラミングによる金融特徴量生成の限界、例えば重複する特徴量や線形相関の高い特徴量、高い計算コストを解消すること。
• 経済的・金融的原則を特徴量生成に組み込むドメインに適したニューラルネットワークアーキテクチャの開発。
• 生の価格および出来高データから、自動的かつ効率的かつ多様なテクニカルインジケーターの生成を可能にすること。
• ADNN の性能を、実際のトレーディング戦略バックテストにおいて遺伝的プログラミングと比較すること。
• 異なるニューラルネットワークアーキテクチャが、金融時系列から意味のある特徴量を抽出する役割を果たす程度を調査すること。

提案手法

• ADNN は、定量的トレーディングの原則から導出されたドメイン特化型のサンプリングルールと目的関数を用いて、特徴量生成をガイドする。
• 遺伝的プログラミングの進化的プロセスに代えて、事前学習とモデル prune を用いることで、より効率的な最適化を実現する。
• 微分可能特徴量抽出器（例：全結合層、LSTM、LeNet）を用いて多様な特徴量を生成し、それぞれが時間的または空間的パターンに特化している。
• k-means を用いて特徴量をクラスタリングし、多様性と共有情報空間を分析することで、各ネットワークタイプの寄与度を評価する。
• さまざまなニューラルアーキテクチャをプラグアンドプレイで統合できるフレームワークを提供し、データ特性に応じた特徴量抽出に適応可能にする。
• 過学習を回避するための公平で妥当な特徴量選択手法を適用して、最終的なファクタープールを評価する。

実験結果

リサーチクエスチョン

• RQ1 金融ドメインの知識を組み込んだニューラルネットワークアーキテクチャは、遺伝的プログラミングに比べ、多様で情報豊富な金融特徴量を構築する上で優れていると言えるか？
• RQ2 進化的計算と比較して、事前学習とモデル prune は、効率性と特徴量品質の面でどのように異なるか？
• RQ3 異なるニューラルネットワークアーキテクチャ（例：FCN、LSTM、LeNet）の中で、金融時系列における特徴量の多様性と情報豊かさに最も寄与するのはどれか？
• RQ4 さまざまな特徴量抽出器は、どれほど共線性を低減させ、マルチファクタートレーディング戦略のロバスト性を向上させるか？
• RQ5 ADNN は、実際のトレーディング戦略において、シャープレシオや最大ドローダウンなどの重要なリスク調整パフォーマンス指標を一貫して改善できるか？

主な発見

• ADNN は、遺伝的プログラミングに比べ、より情報豊かで多様な特徴量を構築し、特徴量の共線性が顕著に低減された。
• LSTM を用いた特徴量抽出器は、最もスパarsな分布を示しており、金融時系列から非線形的時間的パターンを抽出する能力が優れていることが示された。
• 全結合ネットワークと再帰的ネットワーク（LSTM）は、畳み込みニューラルネットワークよりも、金融データから意味のある特徴量を抽出する上で優れている。
• LeNet と全結合ネットワーク間の共有情報空間は、LeNet が後者によって抽出された特徴量のサブセットを捉えていることを示しており、限定的な独自貢献があると考えられる。
• 複雑なニューラルネットワークアーキテクチャは、パrameter数が多くても多様性が高く共線性が低い傾向にあり、一般化の可能性がより高いことが示された。
• 実際のトレーディングバックテストにおいて、ADNN が生成した特徴量を統合した戦略は、これらの特徴量を含まないベースライン戦略に比べ、シャープレシオ、リターン、最大ドローダウンの面で一貫して向上した。