[論文レビュー] CNNPred: CNN-based stock market prediction using several data sources

Ehsan Hoseinzade, Saman Haratizadeh|arXiv (Cornell University)|Oct 21, 2018

Stock Market Forecasting Methods被引用数 10

ひとこと要約

本論文では、株価指数、商品、為替、ファイユチャーズを含む多様な金融データソースから特徴を抽出し、主要な世界的な市場指数の翌日の方向性予測を行うためのディープラーニングフレームワークであるCNNPredを提案する。本モデルは、市場間相関関係を活用し、自動特徴抽出を実現することで、最先端のベースラインと比較して顕著な性能向上を達成している。

ABSTRACT

Feature extraction from financial data is one of the most important problems in market prediction domain for which many approaches have been suggested. Among other modern tools, convolutional neural networks (CNN) have recently been applied for automatic feature selection and market prediction. However, in experiments reported so far, less attention has been paid to the correlation among different markets as a possible source of information for extracting features. In this paper, we suggest a CNN-based framework with specially designed CNNs, that can be applied on a collection of data from a variety of sources, including different markets, in order to extract features for predicting the future of those markets. The suggested framework has been applied for predicting the next day's direction of movement for the indices of S&P 500, NASDAQ, DJI, NYSE, and RUSSELL markets based on various sets of initial features. The evaluations show a significant improvement in prediction's performance compared to the state of the art baseline algorithms.

研究の動機と目的

• 異種の金融データソースからの自動特徴抽出という、株式市場予測の課題に取り組むこと。
• 既存のアプローチでしばしば無視される市場間相関関係をモデル化することで、予測精度を向上させること。
• 価格、テクニカルインジケータ、マクロ経済データを含む多様な入力タイプを統合的に処理可能なディープラーニングフレームワークを構築すること。
• 実世界の金融時系列データにおけるCNNベースの特徴抽出の有効性を、マルチマーケット予測タスクに応用して評価すること。
• 市場間の依存関係を組み込むことで、単一市場モデルに比べて予測性能が向上することを実証すること。

提案手法

• フレームワークは、さまざまな金融ソース（例：S&P 500、NASDAQ、為替レート、商品）からの複数の時系列入力を、一次元シーケンスとして処理する。
• 生データおよび派生データから階層的・非線形的な特徴を自動で学習可能な、特別に設計された1次元CNNアーキテクチャが用いられる。
• 入力データには、歴史的価格、テクニカルインジケータ（例：RSI、MACD）、および先物や為替レートなどの関連資産のリターンが含まれる。
• モデルは、主要な指数の翌日の価格変動方向（上昇／下落）を予測するように、エンドツーエンドで訓練される。
• CNNが生データおよび事前処理済みデータから関連するパターンを直接学習できるため、特徴工学の最小化が可能である。
• マルチインプット・マルチソースのデータ統合をサポートしており、市場間の相関関係をモデルが捉えることが可能である。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのモデルは、市場間信号を含む多様な金融データソースから予測可能な特徴を効果的に抽出できるか？
• RQ2 複数の相関する市場（例：商品、為替、先物）のデータを組み込むことで、単一市場モデルと比較して翌日の市場方向性予測の精度がどの程度向上するか？
• RQ3 提案されたCNNベースの特徴抽出は、従来の機械学習ベースラインと比較して、株式市場予測タスクでどの程度優れているか？
• RQ4 S&P 500、DJI、NYSE、RUSSELL、NASDAQなどの異なる主要指数にわたって、本モデルは一貫した性能向上を示すか？
• RQ5 CNNによる自動特徴抽出により、手作業で選択されたテクニカルインジケータへの依存を減らしても、予測力に損なわれることなく性能を維持できるか？

主な発見

• CNNPredフレームワークは、主要な株価指数の翌日の方向性予測において、最先端のベースラインアルゴリズムを顕著に上回っている。
• 商品、為替、先物など、相関する複数の市場からのデータを組み込むことで、単一市場のデータのみを用いたモデルと比較して、予測精度が向上している。
• SVM、ランダムフォレスト、LSTM や MLP といった従来の手法と比較して、分類精度とF1スコアの両方で高い性能を達成している。
• CNNベースの特徴抽出プロセスは、広範な手作業による特徴工学を要せず、金融時系列データに含まれる複雑な非線形パターンを効果的に捉えている。
• S&P 500、NASDAQ、DJI、NYSE、RUSSELLといった異なる指数においても、本フレームワークは頑健な性能を示しており、広範な適用可能性を示している。
• 結果から、市場間の依存関係には従来の予測システムで十分に活用されていない価値ある予測情報が含まれていることが確認された。