[論文レビュー] Deep Learning in Finance

J.B. Heaton, Nicholas G. Polson+1 more|arXiv (Cornell University)|Feb 21, 2016

Stock Market Forecasting Methods参考文献 21被引用数 53

ひとこと要約

本稿では、従来の金融モデルが見過ごしがちな複雑で非線形なデータ相互作用を捉えるために、深層ニューラルネットワークを活用した金融予測および分類のための深層学習階層モデルを提案する。深層学習が、特にインデックスリプリケーションおよび資産価格設定において、市場データの強固で圧縮された表現を学習することで、アウトオブサンプルの予測性能を顕著に向上させることを示している。

ABSTRACT

We explore the use of deep learning hierarchical models for problems in financial prediction and classification. Financial prediction problems -- such as those presented in designing and pricing securities, constructing portfolios, and risk management -- often involve large data sets with complex data interactions that currently are difficult or impossible to specify in a full economic model. Applying deep learning methods to these problems can produce more useful results than standard methods in finance. In particular, deep learning can detect and exploit interactions in the data that are, at least currently, invisible to any existing financial economic theory.

研究の動機と目的

• 金融予測における高次元で複雑な非線形データ相互作用を扱う際、従来の金融モデルの限界を是正すること。
• 制約的な経済的仮定に依存せずに、大規模な金融データセットから階層的かつ非線形な特徴を学習可能な深層学習フレームワークの構築。
• 深層ニューラルネットワークとオートエンコーダーを活用して、強固な特徴抽出とインデックス近似を実現することで、金融分野におけるアウトオブサンプルの予測性能を向上させること。
• 既存の理論的モデルよりも、深層学習が複雑な市場ダイナミクスをより正確にモデル化できるかどうかを検証し、市場効率性仮説の前提を疑問視すること。

提案手法

• 複数層の非線形変換を持つ深層ニューラルネットワークを用い、各層が重み行列とバイアス項を用いて入力データからより高次の特徴を抽出する。
• スパarsity制約（ρ = 0.01）を課したオートエンコーダーを用い、高次元の株式データを共通情報が保持される低次元の潜在空間に圧縮する。
• （4,2）の隠れ層を持つ深層順方向ネットワーク（DFP）を適用し、特定の株式セットからS&P500インデックスを近似する非線形写像を学習する。
• 各株式の再構成誤差との類似度に基づいて順位付けを行い、共通情報含有量が最も高い株式を特定し、インデックスリプリケーションの強固な基盤を構築する。
• 非線形特徴の階層的構成を最適化することで予測を向上させ、ターゲットとなる金融変数の高精度な近似を実現する。
• イン-sampleのフィッティング性能とアウトオブサンプルの整合性の両者を比較し、単なるイン-sample精度ではなく一般化性能の重要性を強調する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、従来の金融経済理論では捉えきれない複雑で非線形な相互作用を検出し、活用できるか？
• RQ2 インデックスリプリケーションなどのアウトオブサンプル金融予測タスクにおいて、深層学習モデルの性能は従来モデルに比べてどのように異なるか？
• RQ3 オートエンコーディング技術は、S&P500のような広範な市場インデックスを近似する強固で非線形な基底を構成する少数の株式を特定できるか？
• RQ4 深層順方向ネットワーク（DFP）の優れたイン-sampleフィッティング性能が、アウトオブサンプル性能の向上に繋がるのか、それとも過学習のリスクを伴うのか？
• RQ5 深層学習は、近似的に任意に小さな誤差で資産価格を近似可能であるため、効率的市場仮説をどの程度覆す可能性を有するか？

主な発見

• 深層学習モデルは、金融データにおける複雑で非線形な相互作用を捉える能力が顕著に優れており、予測精度の向上に寄与している。
• 共通情報含有量に基づいて順位付けされた10銘柄のオートエンコーダーは、20銘柄のDFPモデルよりも、S&P500のアウトオブサンプル近似がより一貫的であった。
• DFPモデルはイン-sampleのフィッティングは良好であったが、アウトオブサンプルの整合性が低く、高い柔軟性にもかかわらず過学習のリスクを示していた。
• 深層オートエンコーダーに基づく基底は、異なるアウトオブサンプル期間（2010/11および2012/13）においても安定したリプリケーション性能を維持していた。
• 深層学習モデルは、金融ターゲット（例：インデックスリターン）を近似的に任意に小さな誤差で近似可能であり、既存の理論的モデルに挑戦する可能性を示唆している。
• 深層学習による階層的かつ非線形な特徴抽出は、データの複雑さが理論的モデリングの能力を超える場合に、従来モデルよりも優れた一般化性能を実現している。