[論文レビュー] Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions

Wilfredo Tovar|arXiv (Cornell University)|Aug 8, 2020

Stock Market Forecasting Methods参考文献 43被引用数 7

ひとこと要約

本論文では、実際の株価データの主要なトレンドを保持する合成ファイナンシャルタイムシリーズデータを生成するため、生成対抗ネットワーク（GAN）フレームワーク内に統合された画期的なハイブリッドディープラーニングモデル、Bi-LSTM-CNNを提案する。このモデルは、複数のグローバルインデックスにおける株価動向予測において、既存の手法を上回り、複雑な市場ダイナミクスを捉える際の優れた正確性と頑健性を示している。

ABSTRACT

In the big data era, deep learning and intelligent data mining technique solutions have been applied by researchers in various areas. Forecast and analysis of stock market data have represented an essential role in today's economy, and a significant challenge to the specialist since the market's tendencies are immensely complex, chaotic and are developed within a highly dynamic environment. There are numerous researches from multiple areas intending to take on that challenge, and Machine Learning approaches have been the focus of many of them. There are multiple models of Machine Learning algorithms been able to obtain competent outcomes doing that class of foresight. This paper proposes the implementation of a generative adversarial network (GAN), which is composed by a bi-directional Long short-term memory (LSTM) and convolutional neural network(CNN) referred as Bi-LSTM-CNN to generate synthetic data that agree with existing real financial data so the features of stocks with positive or negative trends can be retained to predict future trends of a stock. The novelty of this proposed solution that distinct from previous solutions is that this paper introduced the concept of a hybrid system (Bi-LSTM-CNN) rather than a sole LSTM model. It was collected data from multiple stock markets such as TSX, SHCOMP, KOSPI 200 and the S&P 500, proposing an adaptative-hybrid system for trends prediction on stock market prices, and carried a comprehensive evaluation on several commonly utilized machine learning prototypes, and it is concluded that the proposed solution approach outperforms preceding models. Additionally, during the research stage from preceding works, gaps were found between investors and researchers who dedicated to the technical domain.

研究の動機と目的

• 動的な市場における非常に複雑で混沌としたファイナンシャルタイムシリーズを予測するという課題に対処すること。
• より適応的で正確なモデルの開発により、研究者と投資家との間の技術的ファイナンシャル予測におけるギャップを埋めること。
• 単一モデル手法（例：スタンドアロンLSTM）の改善を図り、GANフレームワーク内にBi-LSTMとCNNを統合したハイブリッドアーキテクチャを導入すること。
• 実市場トレンドの顕著な特徴を保持する合成ファイナンシャルデータを生成し、モデルの汎化能力とトレーニングを強化すること。
• S&P 500、TSX、SHCOMP、KOSPI 200を含む多様なグローバル株価インデックスにおいて、複数の標準機械学習ベースラインと比較して、提案モデルの性能を評価すること。

提案手法

• 提案モデルは、生成対抗ネットワーク（GAN）フレームワークを採用し、合成されたリアルなファイナンシャルタイムシリーズデータを生成するためのハイブリッドBi-LSTM-CNNアーキテクチャに基づくジェネレータを用いる。
• ジェネレータネットワークは、株価シーケンスにおける長距離の時系列依存性を捉えるために、双方向LSTM（Bi-LSTM）ネットワークを採用する。
• 時系列データからの局所的・空間的パターンを抽出するために、Bi-LSTMの後段に畳み込みニューラルネットワーク（CNN）コンポーネントを統合し、特徴表現を強化する。
• ディスクラミネータネットワークは、生成されたシーケンスの真正性を実際のファイナンシャルタイムシリーズと比較して評価し、データ品質の向上を図るための敵対的トレーニングを可能にする。
• モデルは、TSX、S&P 500、SHCOMP、KOSPI 200の複数のグローバルインデックスの歴史的データを用いてトレーニングされ、マルチマーケットへの適応性を実現する。
• 標準的な機械学習指標を用いて複数のベンチマークモデルと比較して評価され、トレンド予測の正確性が性能評価の基準として用いられる。

実験結果

リサーチクエスチョン

• RQ1 GANフレームワーク内に統合されたハイブリッドBi-LSTM-CNNアーキテクチャは、実市場トレンドの特徴を保持する合成ファイナンシャルタイムシリーズを生成できるか？
• RQ2 提案されたBi-LSTM-CNN GANモデルは、スタンドアロンLSTMや他の従来のモデルと比較して、ファイナンシャルタイムシリーズ予測においてどの程度優れた予測性能を示すか？
• RQ3 提案モデルは、S&P 500、TSX、SHCOMP、KOSPI 200のような多様なグローバル株式市場にどの程度一般化できるか？
• RQ4 ハイブリッドディープラーニングジェネレータに敵対的トレーニングを統合することで、株価トレンド予測の頑健性と正確性が向上するか？
• RQ5 合成データ生成は、変動が大きく定常でないファイナンシャル環境におけるモデルの汎化能力と性能にどのような影響を与えるか？

主な発見

• 提案されたBi-LSTM-CNN GANモデルは、スタンドアロンLSTMネットワークを含むベースラインモデルと比較して、株価トレンド予測において優れた性能を達成した。
• ハイブリッドアーキテクチャは、Bi-LSTMによる長期的依存性の捉え方と、CNNによる局所的パターン特徴の抽出を効果的に行い、予測正確性を向上させた。
• モデルは複数のグローバル株価インデックスにわたり強力な一般化能力を示し、多様な市場行動への適応性を裏付けた。
• GANフレームワークを用いた敵対的トレーニングにより、合成データの品質が向上し、その結果、予測モデルの識別能力が向上した。
• 包括的な評価により、提案モデルが一般的に使用される機械学習プロトタイプを、トレンド予測タスクにおいて上回ることが確認された。
• 本研究では、学術的リサーチと実際の投資家ニーズの間の顕著なギャップが同定され、提案モデルが向上した正確性と解釈可能性により、このギャップを埋める支援をした。