[論文レビュー] Currency Forecasting using Multiple Kernel Learning with Financially Motivated Features

Tristan Fletcher, Zakria Hussain+1 more|arXiv (Cornell University)|Nov 28, 2010

Stock Market Forecasting Methods参考文献 22被引用数 5

ひとこと要約

本稿では、移動平均、ボラティリティ、価格極値、注文書の量動態など、金融的動機付けのある特徴量を統合した予測モデルとしてのMultiple Kernel Learning (MKL)フレームワークを提案する。MKLは、複数の時間スケールにおいて個々のカーネルを上回る予測精度を達成し、学習されたカーネル重みは指数的移動平均およびボラティリティに基づく特徴量が予測に最も寄与していることを示している。

ABSTRACT

Multiple Kernel Learning (MKL) is used to replicate the signal combination process that trading rules embody when they aggregate multiple sources of financial information when predicting an asset's price movements. A set of financially motivated kernels is constructed for the EURUSD currency pair and is used to predict the direction of price movement for the currency over multiple time horizons. MKL is shown to outperform each of the kernels individually in terms of predictive accuracy. Furthermore, the kernel weightings selected by MKL highlights which of the financial features represented by the kernels are the most informative for predictive tasks.

研究の動機と目的

• 多様な金融指標をカーネルとして表現することで、テクニカルトレーディングルールで用いられる信号結合プロセスをモデル化すること。
• 単一のカーネルに依存するのではなく、複数のカーネル関数を組み合わせることで為替レートの方向性予測精度を向上させること。
• MKLにおけるカーネル重み付けを通じて、どの金融的特徴量が予測性能に最も寄与しているかを特定すること。
• EBS外国為替市場の実際のリミットオーダーブックデータを用いて、手法の妥当性を検証すること。

提案手法

• リミットオーダーブックデータから、4つの価格ベースの特徴量（例：EMA、MA、ボラティリティ、価格変化）と4つの量ベースの特徴量（例：オーダーブックの深さ、量の変化）を含む8つの異なる金融的特徴量セットを構築する。
• スケール、次数、または共分散行列でパラメータ化された15個の基本カーネル（RBFが5つ、多項式が5つ、無限ニューラルネットワークベースが5つ）を定義する。
• SimpleMKLを用いて、各カーネルが特定の金融的特徴量に関連付けられるように、最適な凸結合を学習する。
• 10分割交差検証を用いて、最も優れた個々のカーネルを選択し、未知のデータに対してMKLの性能をそれらと比較評価する。
• EURUSDのデータをEBS取引所から取得し、6つの時間スケール（5〜200秒）における価格変動方向を予測するようにモデルを訓練およびテストする。
• 統計的仮説検定からのp値を用いて、MKLと個々のカーネルの間の予測性能差の有意性を検証する。

実験結果

リサーチクエスチョン

• RQ1 Multiple Kernel Learningは、個々のカーネルと比較して、多様な金融的特徴量を効果的に組み合わせ、為替レートの方向性予測を改善できるか？
• RQ2 具体的にどの金融的特徴量（例：移動平均、ボラティリティ、オーダーブックの深さ）がEURUSD市場における将来の価格変動を最も予測可能にするか？
• RQ3 MKLが割り当てるカーネル重みは、異なる時間スケールにおいて安定しているか？ これは特徴量の関連性にどのような含意を持つのか？
• RQ4 MKLフレームワークは、複数のテクニカルインジケータを統合する実際の取引ルールの動作を再現できるか？
• RQ5 MKLが個々のカーネルを上回る性能向上は、複数の予測スケールにわたり統計的に有意であるか？

主な発見

• SimpleMKLは、200秒までの全時間スケールにおいて、最良の個別カーネルを上回る高い予測精度を達成し、5秒でのピーク精度は94.7％に達した。
• 予測に最も寄与した特徴量は、小スケールRBFカーネルを用いた指数的移動平均（EMA）、大スケールRBFカーネルを用いた価格ボラティリティ（標準偏差）、および大スケールRBFカーネルを用いた価格極値（最小値／最大値）であった。
• MKLによるカーネル重みは、時間スケールにかかわらず安定しており、重要な特徴量の関連性が予測期間に依存しないことを示している。
• MKLの組み合わせにおいて、RBFカーネルタイプが支配的であり、多項式およびニューラルネットワークベースのカーネルは、量動態に関連する特徴量を除き、ほとんど重みが割り当てられなかった。
• トップパフォーマンスを示した個別カーネル（例：F8K16、F1K1、F1K3）は、MKLにおいて低い重みが割り当てられ、他の信号と組み合わせるとその予測力が低下することが示された。
• 統計的仮説検定により、MKLが個別カーネルを上回る性能向上が、全時間スケールでp < 10⁻⁵の有意水準で確認された。