[論文レビュー] Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction
本稿では、2013年から2016年までの分単位のNIFTY 50株価データ（分単位）を用いて、TensorFlowのConv1Dを用いた1次元畳み込みニューラルネットワーク（1D CNN）を提案し、株価の上昇・下落を予測するものである。高い再現率（>0.95）を達成しているが、精度（≥0.5）とF1スコア（>0.65）は低く、下降トレンドを正しく捉えるのが難しいことが示唆されており、これは下降トレンドを十分に捉えていないことが原因である可能性がある。
With technological advancements and the exponential growth of data, we have been unfolding different capabilities of neural networks in different sectors. In this paper, I have tried to use a specific type of Neural Network known as Convolutional Neural Network(CNN/ConvNet) in the stock market. In other words, I have tried to construct and train a convolutional neural network on past stock prices data and then tried to predict the movement of stock price i.e. whether the stock price would rise or fall, in the coming time.
研究の動機と目的
- 時系列株価データから株価の上昇・下落を予測するための1次元畳み込みニューラルネットワーク（1D CNN）の実用可能性を調査すること。
- 未観測のテストデータに対して、標準分類指標（正解率、精度、再現率、F1スコア）を用いてモデルの性能を評価すること。
- 上昇トレンドの検出には優れた性能を示すが、下降トレンドの特徴を捉える能力に欠けるモデルの限界を特定すること。
- アーキテクチャの変更、特徴工学、または代替のディープラーニングモデルを用いた改善可能性を検討すること。
提案手法
- 2013年4月から2016年9月までの分単位の歴史的株価データを用いて、TensorFlowのConv1Dレイヤーを用いた1D CNNを訓練した。
- 次元削減と重要な特徴の保持を図りながらパラメータ数を最小限に抑えるために、マックスプーリングを採用した。
- 過学習を軽減するため、ドロップアウトとイ早停止を適用した。
- 畳み込み層およびプーリング層の後に全結合層を配置し、最終的な予測を生成した。
- 誤差逆伝播法と確率的勾配降下法を用いて重みを最適化し、損失を最小化した。
- ホールドアウトされたテストセットを用いて、正解率、精度、再現率、F1スコアの指標で性能を評価した。
実験結果
リサーチクエスチョン
- RQ11D CNNは株価時系列データの時間的パターンを効果的に学習し、価格の方向性を予測できるか？
- RQ2モデルの性能は、上昇予測と下落予測のどちらにおいても同様に高いか？
- RQ3ドロップアウトやイ早停止といった正則化技術は、この金融時系列設定において過学習をどれほど効果的に防止できるか？
- RQ4単一のCNNアーキテクチャのみを用いる場合の、株価方向予測における限界は何か？
- RQ5アーキテクチャの選択（例：カーネルサイズ、層数）が予測性能に与える影響はどの程度か？
主な発見
- 再現率が0.95を超えるという高い水準に達しており、上昇株価の検出能力が優れていることが示された。
- 精度は0.5以上を維持しており、陽性予測の信頼性は中程度であるが、最適ではない。
- F1スコアが0.65を超えており、精度と再現率の調和平均はバランスしているが、強くはなかった。
- 学習およびテストセットの両方で正解率が0.5を超えており、基本的な予測能力が確認された。
- 価格下落の予測に苦戦しており、真の負例（TN）が低く、偽陽性率が高かった。
- イ早停止を適用せずに25エポック以上学習を続けると過学習が生じ、初期の低下に続いてテスト損失が上昇した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。