[論文レビュー] Benchmarking Deep Sequential Models on Volatility Predictions for Financial Time Series

Qiang Zhang, Rui Luo+2 more|arXiv (Cornell University)|Nov 8, 2018

Stock Market Forecasting Methods参考文献 50被引用数 5

ひとこと要約

本稿は、2,018日間の1,314本の日次株価系列を用いて、特に拡張畳み込みおよび再帰的ネットワークを含む深層逐次モデルをファイナンシャル・ボラティリティ予測のベンチマーク化に用いる。Dilated Neural Networks（TCNおよびDilatedRNN）が、従来のGARCHおよび確率的ボラティリティモデルを著しく上回ることを示しており、負の対数尤度（NLL）損失が最小であることを確認しており、ボラティリティ予測におけるその優れた柔軟性と表現力の高さを強調している。

ABSTRACT

Volatility is a quantity of measurement for the price movements of stocks or options which indicates the uncertainty within financial markets. As an indicator of the level of risk or the degree of variation, volatility is important to analyse the financial market, and it is taken into consideration in various decision-making processes in financial activities. On the other hand, recent advancement in deep learning techniques has shown strong capabilities in modelling sequential data, such as speech and natural language. In this paper, we empirically study the applicability of the latest deep structures with respect to the volatility modelling problem, through which we aim to provide an empirical guidance for the theoretical analysis of the marriage between deep learning techniques and financial applications in the future. We examine both the traditional approaches and the deep sequential models on the task of volatility prediction, including the most recent variants of convolutional and recurrent networks, such as the dilated architecture. Accordingly, experiments with real-world stock price datasets are performed on a set of 1314 daily stock series for 2018 days of transaction. The evaluation and comparison are based on the negative log likelihood (NLL) of real-world stock price time series. The result shows that the dilated neural models, including dilated CNN and Dilated RNN, produce most accurate estimation and prediction, outperforming various widely-used deterministic models in the GARCH family and several recently proposed stochastic models. In addition, the high flexibility and rich expressive power are validated in this study.

研究の動機と目的

• 現代の深層逐次モデルがファイナンシャル・ボラティリティ予測に与える性能を評価すること。
• GARCHおよびSVのような古典的ボラティリティモデルと比較して、深層学習アーキテクチャの表現力と柔軟性を比較すること。
• 深層学習をファイナンシャル・タイムシリーズモデリングに統合するための実証的指針を提供すること。
• 拡張アーキテクチャがボラティリティダイナミクスにおける長距離依存性をどの程度改善するかを評価すること。

提案手法

• 本研究は、2,018取引日間にわたる1,314本の日次株価系列を用いたベンチマークフレームワークを採用している。
• 深層逐次モデルには、時系列畳み込みネットワーク（TCN）、DilatedRNN、IndRNN、QRNN、SkipRNN、HM-RNN、FS-RNN、RHNが含まれ、これらはすべてGRUまたはLSTMユニットに基づいている。
• 拡張畳み込みおよび再帰層は、パラメータ数を増加させずに受容 field を拡大するために拡張係数を用いる。
• モデルの学習には、ReLU活性化関数、Xavier重み初期化、Adam最適化、ドロップアウト、勾配クリッピング、学習率の段階的減少を用いる。
• 性能評価は、テストセットにおける1ステップ先のボラティリティ予測の負の対数尤度（NLL）を用いて行う。
• ハイパーパrameterは5分割交差検証を用いて調整され、モデルは単一のNVIDIA TITAN XP GPU上でPyTorchを用いて実装された。

実験結果

リサーチクエスチョン

• RQ1 拡張深層学習アーキテクチャは、古典的GARCHおよび確率的ボラティリティモデルを上回る性能を示せるか？
• RQ2 特に拡張畳み込みニューラルネットワーク（CNN）およびRNNは、ボラティリティダイナミクスをどの程度適切に捉えられるか？
• RQ3 畳み込み構造と再帰構造の間で、ファイナンシャル・タイムシリーズのボラティリティモデリングにどの程度の寄与があるか？
• RQ4 どの程度の範囲まで、拡張アーキテクチャはボラティリティ予測における長距離依存性のモデリングを改善するか？

主な発見

• 特にTCNおよびDilatedRNNを含む拡張ニューラルネットワークは、1,314本すべての株価系列において最低の負の対数尤度（NLL）を達成しており、予測精度が優れていることを示している。
• TCNの平均NLLは1.901であり、EGARCHの2.003およびGARCHの2.084よりも顕著に低いことから、一貫した優位性が裏付けられている。
• TCNはDilatedRNNを含むすべてのRNNバージョンを上回っており、平均NLLが1.901（DilatedRNNは1.903）であるため、畳み込み層がボラティリティモデリングにおいてより効果的であると考えられる。
• FS-RNNは平均NLLが2.451にとどまり、最も悪い性能を示しており、本タスクには適していないことが示された。
• SkipRNNおよびQRNNはTCNおよびDilatedRNNに比べてわずかに劣るが、依然として競争力があり、平均NLLはそれぞれ1.925および1.908であった。
• これらの結果は、金融データにおける複雑で時間的に変化するボラティリティパターンをモデリングする上で、拡張アーキテクチャの高い柔軟性と表現力が裏付けられていることを検証している。