[論文レビュー] Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy

Mohammadmahdi Ghahramani, Hamid Esmaeili Najafabadi|arXiv (Cornell University)|May 11, 2022

Stock Market Forecasting Methods被引用数 6

ひとこと要約

本論文は、データ前処理、ハイブリッドCNN-LSTMニューラルネットワーク、および動的トレーディング戦略を統合した、金融時系列予測のための新規でエンドツーエンド互換性を持つディープラーニングフレームワークを提案する。テクニカルインジケーター、XGBoostを用いた特徴選択、多カテゴリーに分類されたデータ分割、および特徴抽出のための二重CNNベースのオートエンコーダーを活用することで、BTC、ETH、S&P500のデータセットにおいて1年間で10倍〜12倍の収益成長を達成した。

ABSTRACT

Experience has shown that trading in stock and cryptocurrency markets has the potential to be highly profitable. In this light, considerable effort has been recently devoted to investigate how to apply machine learning and deep learning to interpret and predict market behavior. This research introduces a new deep neural network architecture and a novel idea of how to prepare financial data before feeding them to the model. In the data preparation part, the first step is to generate many features using technical indicators and then apply the XGBoost model for feature engineering. Splitting data into three categories and using separate autoencoders, we extract high-level mixed features at the second step. This data preprocessing is introduced to predict price movements. Regarding modeling, different convolutional layers, an long short-term memory unit, and several fully-connected layers have been designed to perform binary classification. This research also introduces a trading strategy to exploit the trained model outputs. Three different datasets are used to evaluate this method, where results indicate that this framework can provide us with profitable and robust predictions.

研究の動機と目的

• データ準備、モデリング、トレーディング実行を統合した包括的で現実世界に適用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。
• 取引行動に基づく動的で直感的なデータ前処理パイプラインを導入することで、特徴の質と市場のボラティリティという課題に取り組むこと。
• 畳み込み層による局所的パターンの捉え方とLSTMによる時間的依存関係のモデル化を組み合わせたニューラルネットワークアーキテクチャを設計し、価格の方向性を正確に二値分類すること。
• レバレッジ制約やリスク管理を含む現実的な取引条件の下で、フレームワークの収益性を評価すること。
• 暗号資産（BTC、ETH）と株式（S&P500）を含む多様な金融資産において、異なる時間軸で安定したパフォーマンスを示すことを実証すること。

提案手法

• OHLCV（始値、高値、安値、終値、出来高）データから包括的なテクニカルインジケーターを生成し、特徴空間を豊かにする。
• 予測の重要度に基づいて情報量の多い特徴を優先するため、XGBoostを用いた特徴選択を実施する。
• 文脈に応じた特徴学習を可能にするために、データを三つの異なるカテゴリー（例：ボリッシュ、ベアッシュ、横這い市場）に分割する。
• 別々のデータ分割で訓練された二つのカスタム化されたCNNベースのオートエンコーダーを活用し、高レベルでノイズ除去され、圧縮された金融特徴の表現を抽出する。
• 空間的特徴の最適化（畳み込み層）、時系列依存関係のモデル化（LSTM層）、および価格方向の二値分類（全結合層）を統合したハイブリッドディープニューラルネットワークを設計する。
• モデルの信頼度スコア（閾値θでしきい値処理）を用いてエントリ/エグジットポイントを決定する動的トレーディング戦略を実装し、利益確保のマージン条件あり／なしの両方で評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして取引行動と市場レジームのシフトを反映した、現実のトレーダー行動に基づいた金融時系列データの前処理が可能か？
• RQ2 市場状態別に訓練されたオートエンコーダーは、金融予測における特徴の質とモデルの一般化能力をどの程度向上させるか？
• RQ3 ハイブリッドCNN-LSTMアーキテクチャは、ボラティリティの高い市場において、1ステップ先の価格方向を予測する標準的なディープラーニングモデルを上回ることができるか？
• RQ4 レバレッジ制約という現実的な条件のもとで、モデル駆動型のトレーディング戦略が多様な金融資産（暗号資産および株式）に対してどの程度の収益性を示すか？
• RQ5 モデルのパフォーマンスおよびトレーディング収益性は、異なる市場レジームおよび資産クラスでどのように変化するか？

主な発見

• 本フレームワークは、BTC/USDT、ETH/USDT、S&P500のデータセットにおいて、1年間でポートフォリオ価値が10倍〜12倍に増加し、高い収益性を示した。
• すべてのデータセットでモデルのパフォーマンスが安定しており、F1スコア、適合率、再現率の値が、価格方向予測の二値分類精度が優れていることを示した。
• 信頼度の閾値θを1/4に設定した場合、過剰な感度により収益性が低下した。これは、リスク調整済み取引における最適な閾値選択の重要性を示している。
• 分割されたデータに対して別々のオートエンコーダーを適用することで、特徴表現とモデルの一般化能力が向上した。特に非定常的かつボラティリティの高い市場状態で顕著であった。
• XGBoostを用いた特徴工学の導入により、情報量の少ない特徴を除外することで、モデルのパフォーマンスが顕著に向上した。
• 利益確保のマージン条件ありのトレーディング戦略は、より持続可能で現実的な収益性を示し、フレームワークの実用的適用性を裏付けた。