[論文レビュー] Data-driven Neural Architecture Learning For Financial Time-series Forecasting

Dat Thanh Tran, Juho Kanniainen+2 more|arXiv (Cornell University)|Mar 5, 2019

Stock Market Forecasting Methods参考文献 20被引用数 8

ひとこと要約

本稿では、金融時系列における複雑で非定常的かつ非線形な依存関係をモデル化するため、一般化作用的パーセプトロンを用いたデータ駆動型ニューラルアーキテクチャ学習フレームワークを提案する。クラス不均衡に対処するための修正された目的関数を導入することで、大規模なリミットオーダーブックデータセットにおいて、テンソルベースのモデルや従来のモデルを上回る性能を発揮し、実世界の金融環境における予測精度の優位性を示している。

ABSTRACT

Forecasting based on financial time-series is a challenging task since most real-world data exhibits nonstationary property and nonlinear dependencies. In addition, different data modalities often embed different nonlinear relationships which are difficult to capture by human-designed models. To tackle the supervised learning task in financial time-series prediction, we propose the application of a recently formulated algorithm that adaptively learns a mapping function, realized by a heterogeneous neural architecture composing of Generalized Operational Perceptron, given a set of labeled data. With a modified objective function, the proposed algorithm can accommodate the frequently observed imbalanced data distribution problem. Experiments on a large-scale Limit Order Book dataset demonstrate that the proposed algorithm outperforms related algorithms, including tensor-based methods which have access to a broader set of input information.

研究の動機と目的

• 非定常的かつ非線形的な金融時系列の予測に、複雑でマルチモーダルな依存関係を扱う挑戦に応えること。
• 異なるデータモダリティ間の異種非線形関係を捉えることにおける、人為的に設計されたモデルの限界を克服すること。
• 固定されたアーキテクチャ的仮定に依存せず、データ駆動型のパターンに適応するニューラルアーキテクチャ学習手法を開発すること。
• 特に方向性予測タスクにおいて一般的に見られる、不均衡なデータ分布の影響を軽減すること。

提案手法

• 本手法は、複雑で非線形な写像をモデル化可能な微分可能な演算子である一般化作用的パーセプトロン（GOPs）から構成される非均質なニューラルアーキテクチャを採用する。
• 金融時系列におけるクラス不均衡を反映させるために、目的関数を修正し、少数派の方向的変動に対するモデルのロバスト性を向上させる。
• アーキテクチャはラベル付き金融データ上でエンドツーエンドに訓練され、事前の構造的仮定なしに入力特徴から最適な関数的マッピングを直接学習する。
• 本手法は、金融データの統計的性質に適合した有効なニューラルアーキテクチャを発見するためのデータ駆動型探索メカニズムを活用する。
• バックプロパゲーションと勾配降下法を用いて訓練され、方向性予測精度を最適化する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型ニューラルアーキテクチャ学習アプローチは、非定常的かつ非線形的ダイナミクスを示す金融時系列の予測において、手作業で設計されたモデルを上回ることができるか？
• RQ2 一般化作用的パーセプトロンから構成されるニューラルアーキテクチャは、金融データにおけるマルチモーダルかつ異種の依存関係をどの程度効果的に捉えることができるか？
• RQ3 修正された目的関数は、不均衡な金融時系列予測タスクにおいて、どの程度性能を向上させるか？
• RQ4 本手法は、より広範な入力情報を活用するテンソルベースのモデルよりも優れた結果を達成できるか？

主な発見

• 提案手法は、大規模なリミットオーダーブックデータセットにおいて、最先端のテンソルベース手法を上回る優れた予測性能を達成した。
• 修正された目的関数のおかげで、金融時系列において一般的な問題であるクラス不均衡に対しても、モデルはロバストであることが示された。
• データ駆動型ニューラルアーキテクチャ学習アプローチは、異なる金融データモダリティ間の複雑で非線形な依存関係を効果的に捉えた。
• テンソルベースのベースラインが使用する入力特徴の完全なセットにアクセスしない状況でも、本手法は方向性予測精度において従来のモデルを上回った。