[論文レビュー] BDLOB: Bayesian Deep Convolutional Neural Networks for Limit Order Books

Zihao Zhang, Stefan Zohren+1 more|arXiv (Cornell University)|Nov 25, 2018

Stock Market Forecasting Methods参考文献 6被引用数 3

ひとこと要約

この論文は、ドロップアウト変分推論を用いて制限注文集積（LOB）データから短期的な価格動向を予測するベイジアンディープ畳み込みニューラルネットワーク、BDLOBを提案する。モンテカルロドロップアウトからの不確実性推定を活用することで、非ベイジアンモデルに比べ、より高い予測性能と、利益性が高くリスクが低いリスク対応型トレーディング戦略を実現する。

ABSTRACT

We showcase how dropout variational inference can be applied to a large-scale deep learning model that predicts price movements from limit order books (LOBs), the canonical data source representing trading and pricing movements. We demonstrate that uncertainty information derived from posterior predictive distributions can be utilised for position sizing, avoiding unnecessary trades and improving profits. Further, we test our models by using millions of observations across several instruments and markets from the London Stock Exchange. Our results suggest that those Bayesian techniques not only deliver uncertainty information that can be used for trading but also improve predictive performance as stochastic regularisers. To the best of our knowledge, we are the first to apply Bayesian networks to LOBs.

研究の動機と目的

• 限界注文集積（LOB）予測にベイジアンディープラーニングを統合し、不確実性の定量的評価を向上させること。
• ドロップアウトに基づく変分推論が、LOBモデリングにおける予測精度と一般化性能を向上させるかどうかを評価すること。
• モデルの不確実性を活用した動的ポジションサイズ設定と取引タイミングを制御するトレーディング戦略の設計と検証すること。
• 不確実性を考慮した戦略が、利益性とリスク調整リターンの観点で、標準的手法を上回ることを示すこと。
• ベイジアンニューラルネットワークを限界注文集積データに適用した初の応用を確立すること。

提案手法

• モデルは、原始的なLOBデータから時間的・空間的特徴を抽出するため、インセプションモジュールとLSTMを備えたディープ畳み込みアーキテクチャ（DeepLOB）を採用する。
• 複数回の順方向伝搬においてノードをドロップアウトすることで、モンテカルロドロップアウトを用いて事後予測分布を推定する変分推論を適用する。
• インセプションモジュールの後でドロップアウト率0.2を適用し、不確実性推定のキャリブレーションにグリッドサーチを用いる。
• コンcreteドロップアウトも畳み込み層に適用したが、データセットが非常に大きくパラメータ共有が行われるため、すべてのレートが0に収束した。
• ポジションサイズ設定とエントリ/エグジット意思決定を制御するため、ソフトマックス確率と不確実性対応しきい値を用いてトレーディング戦略を設計する。
• ベイジアントレーデング戦略は、ハイパーパrameter α（信頼度しきい値）とβ1、β2（リスク制御）を用い、利益とリスクのバランスを取る。α=0.7、β1=0.1、β2=0.9は経験的分析により選定された。

実験結果

リサーチクエスチョン

• RQ1 ドロップアウト変分推論は、限界注文集積データ向けディープラーニングモデルの予測性能を向上させることができるか？
• RQ2 ベイジアンディープラーニングからの不確実性推定をどのように活用することで、トレーディング戦略設計を強化できるか？
• RQ3 ポジションサイズに不確実性を組み込むことで、標準的な分類ベースの戦略に比べ、より高いリスク調整リターンが得られるか？
• RQ4 ベイジアントレーディング戦略における異なるハイパーパrameterが利益性とリスク露出に与える影響は何か？
• RQ5 提案されたベイジアンアプローチは、限界注文集積予測に向けたベイジアンニューラルネットワークの最初の成功した応用であるか？

主な発見

• BDLOBはF1スコア0.60、AUC 0.811を達成し、ベースラインCNN（F1: 0.48、AUC: 0.672）とDeepLOB5（F1: 0.58、AUC: 0.803）を上回った。
• 不確実性情報を活用したベイジアントレーディング戦略は、非ベイジアン戦略に比べ、より高い正規化された日次利益と、より優れたダウンワードデバイエーションレシオ（DDR）を示した。
• BDLOBは日次精度において四分位範囲が狭く、外れ値も少ないことから、テスト株式全体で一貫性のあるパフォーマンスを示した。
• α値を高く（例：0.8または0.9）すると、取引回数が減少し、予測誤差への感受性が高いため、リスクが増大または利益が低下する。
• β2の選択はリスクと利益に顕著な影響を与える：β2を低くすると利益は増加するがリスクも上昇する一方、β2を高くすると悪質な取引への露出が減少するが、利益機会を逃す可能性がある。
• モデルはドロップアウトがスティリスティックな正則化子として機能し、大規模LOBデータにおける一般化性能と予測性能を向上させることを示した。