[論文レビュー] Applications of deep learning in stock market prediction: recent progress

Weiwei Jiang|RePEc: Research Papers in Economics|Feb 29, 2020

Stock Market Forecasting Methods被引用数 7

ひとこと要約

2017–2019年の株式市場予測におけるディーブラーニングの最近の進展をレビューするサーベイ。データソース、ニューラルネットワークアーキテクチャ（例：LSTM、GCN、Transformer）、評価指標、実装実践を分類。オープンソースコードのリンクを通じた再現可能性の強調と、マルチモーダルデータ統合、クロスマーケット転移学習、アルゴリズム取引のためのディープレインフォースメントラーニングといった未開拓の方向性を特定。

ABSTRACT

Stock market prediction has been a classical yet challenging problem, with the attention from both economists and computer scientists. With the purpose of building an effective prediction model, both linear and machine learning tools have been explored for the past couple of decades. Lately, deep learning models have been introduced as new frontiers for this topic and the rapid development is too fast to catch up. Hence, our motivation for this survey is to give a latest review of recent works on deep learning models for stock market prediction. We not only category the different data sources, various neural network structures, and common used evaluation metrics, but also the implementation and reproducibility. Our goal is to help the interested researchers to synchronize with the latest progress and also help them to easily reproduce the previous studies as baselines. Base on the summary, we also highlight some future research directions in this topic.

研究の動機と目的

• 過去3年間の研究に焦点を当て、株式市場予測におけるディーブラーニングの応用を包括的かつ最新の視点からレビューすること。
• 既存の研究の分類と比較を容易にするために、予測ワークフローを明確な段階（データ収集、前処理、モデリング、評価）に体系化すること。
• 出版済み論文からのオープンソースコードおよびデータリンクの収集を通じて、研究の再現性を向上させること。
• マルチモーダルデータ統合、クロスマーケット分析、アルゴリズム取引のためのディープレインフォースメントラーニングといった未開拓の研究方向を特定すること。
• 研究者が既存のモデルをベースラインとして採用し、アクセス可能な実装リソースを通じてイノベーションを加速できるように支援すること。

提案手法

• フィードフォワード、畳み込み、再帰的、グラフニューラルネットワークに分類されるディーブラーニングモデルを検討し、アテンションメカニズムやGANsに特に注目。
• 歴史的価格データ、ニュース、ソーシャルメディア（例：Twitter）、および株式関係の知識グラフを含む多様なデータソースを分析。
• RMSE、MAE、シャープレシオなどの評価指標をレビューし、実際の取引環境におけるその限界について議論。
• 20件以上の主要な研究のGitHubリンクを収集することで、実装実践を強調し、再現可能性とベースラインテストを支援。
• 株式予測のための構造的ワークフローを提案：データ収集 → 前処理 → モデル選定 → 学習 → 評価 → 取引シミュレーション。
• 強化学習と転移学習の知見を統合し、クロスマーケット一般化と動的取引戦略のモデル化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 最近3年間で、株式市場予測に最も効果的なディーブラーニングアーキテクチャは何か。また、それらはどのように進化してきたか。
• RQ2 特にニュースやソーシャルメディアなどの代替データソースは、予測性能にどのように寄与しているか。
• RQ3 既存のモデルはどの程度再現可能か。オープンソース実装は研究の加速にどの程度貢献しているか。
• RQ4 取引コストや市場の現実性を考慮すると、現在の評価手法の主な限界は何か。
• RQ5 クロスマーケット転移学習とマルチモーダルデータ統合は、一般化性能とモデルの頑健性をどのように向上させることができるか。

主な発見

• アテンションメカニズムとグラフニューラルネットワーク（例：HATS、RSR）は、株式データ内の時間的・関係的依存性をモデル化することで、性能を顕著に向上させた。
• 米国市場データで学習したモデルは、他の国際市場に対しても転送可能であることが示され、最小限のファインチューニングでクロスマーケット学習の可能性が示唆された。
• 強化学習に基づく戦略（例：Deep Q-Networks）はバックテストにおいて、シンプルなホールド・アンド・ホールド戦略やルールベース戦略を上回ったが、実世界への導入は依然として困難である。
• BERTに類似したモデルを用いた財務ニュースやソーシャルメディアデータの統合は有望であるが、価格ベースのモデルと比較してまだ未開拓に近い。
• 調査された研究の80％以上がオープンソースコードを提供しており、再現性の向上とモデル間の公平なベンチマーク評価を可能にした。
• 技術の進展にもかかわらず、大多数のモデルは依然として取引コストや市場インパクトを無視しており、実際の取引環境での実用的妥当性に制限がある。