[論文レビュー] Comparative study of Financial Time Series Prediction by Artificial Neural Network with Gradient Descent Learning

Arka Ghosh|arXiv (Cornell University)|Nov 21, 2011

Stock Market Forecasting Methods参考文献 11被引用数 9

ひとこと要約

本研究では、勾配降下法を用いた誤差逆伝播法による学習を経た、フィードフォワード多層および再帰的時間遅れ人工ニューラルネットワークを、非定常的でノイズの多い金融時系列の予測に用いて比較している。結果として、小規模なサンプルサイズと高いノイズにもかかわらず、訓練されたニューラルネットワークが株価動向の予測に有効であることが示された。特に、再帰的時間遅れネットワークが、テストデータセットにおいて優れた性能を示した。

ABSTRACT

Financial forecasting is an example of a signal processing problem which is challenging due to Small sample sizes, high noise, non-stationarity, and non-linearity,but fast forecasting of stock market price is very important for strategic business planning.Present study is aimed to develop a comparative predictive model with Feedforward Multilayer Artificial Neural Network & Recurrent Time Delay Neural Network for the Financial Timeseries Prediction.This study is developed with the help of historical stockprice dataset made available by GoogleFinance.To develop this prediction model Backpropagation method with Gradient Descent learning has been implemented.Finally the Neural Net, learned with said algorithm is found to be skillful predictor for non-stationary noisy Financial Timeseries.

研究の動機と目的

• 人工ニューラルネットワークを用いた金融時系列の予測モデルの開発と比較を行う。
• フィードフォワード多層および再帰的時間遅れニューラルネットワークの両方が、株価予測にどの程度有効であるかを評価する。
• 誤差逆伝播法と勾配降下法が、非定常的でノイズの多い金融データを処理する上でどの程度効果的であるかを評価する。
• 現実の市場環境下で、どのニューラルネットワークアーキテクチャがより正確な予測をもたらすかを特定する。
• 実用的な金融時系列予測応用におけるニューラルネットワークモデルの比較分析を提供する。

提案手法

• 本研究では、勾配降下法を用いた誤差逆伝播法による学習を適用したフィードフォワード多層人工ニューラルネットワーク（FF-MLP）を採用している。
• 比較評価の目的で、同じ学習アルゴリズムを用いた再帰的時間遅れニューラルネットワーク（R-TDNN）も実装している。
• モデルは、公開ソースから入手した歴史的株価データを用いて学習させている。
• 誤差逆伝播法と勾配降下法を用いて、予測誤差を最小化するようにネットワークの重みを繰り返し更新している。
• 学習プロセスでは、誤差勾配に基づいて重みを調整することで、エポックを重ねるごとに予測精度を向上させている。
• 汎化性能を評価するために、未知のテストデータを用いた標準的な指標が使用されている。

実験結果

リサーチクエスチョン

• RQ1 フィードフォワード多層ネットワークと再帰的時間遅れネットワークは、金融時系列予測においてどのように比較されるか？
• RQ2 誤差逆伝播法と勾配降下法は、ノイズが多く非定常的な金融データのパターンを効果的に学習できるか？
• RQ3 現実の制約下で、フィードフォワード多層ネットワーク（FF-MLP）と再帰的時間遅れネットワーク（R-TDNN）のどちらがより正確な株価予測を実現するか？
• RQ4 ネットワークアーキテクチャの選択が、小規模な金融時系列データセットにおける予測性能にどの程度影響を与えるか？
• RQ5 訓練されたニューラルネットワークモデルは、金融時系列データの高いノイズと非定常性に対しても十分に頑健であるか？

主な発見

• 特に再帰的時間遅れニューラルネットワーク（R-TDNN）が、非定常的でノイズの多い金融時系列に対して強力な予測能力を示した。
• 誤差逆伝播法と勾配降下法による学習は、両アーキテクチャにおいて予測誤差を効果的に低減した。
• テストデータセットにおいて、再帰的時間遅れニューラルネットワークがフィードフォワード多層ネットワークを上回る予測精度を示した。
• 小規模なサンプルサイズと高いノイズを伴う金融データに対しても、モデルは有効な予測者であった。
• 本研究では、勾配降下法で訓練されたニューラルネットワークが、未学習の金融時系列データに対しても良好に一般化できることを確認した。
• 結果から、時間的パターン認識を要する金融予測タスクにはR-TDNNの使用が支持される。