[論文レビュー] Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022

Cheng Zhang, Nilam Nur Amir Sjarif+1 more|arXiv (Cornell University)|Apr 21, 2023

Stock Market Forecasting Methods参考文献 120被引用数 7

ひとこと要約

この論文は、2020年から2022年までの金融時系列価格予測におけるディープラーニングモデルの最近の進展をレビューしており、トランスフォーマー、GAN、GNN、DQNNに焦点を当てている。モデルアーキテクチャ、応用、トレードオフを評価し、ポイント予測とインターバル予測、アンサンブルの信頼性、データ量の影響に関する洞察を提供し、定量的ファイナンスおよび機械学習分野の研究者および実務家向けの包括的ガイドを提供する。

ABSTRACT

Accurately predicting the prices of financial time series is essential and challenging for the financial sector. Owing to recent advancements in deep learning techniques, deep learning models are gradually replacing traditional statistical and machine learning models as the first choice for price forecasting tasks. This shift in model selection has led to a notable rise in research related to applying deep learning models to price forecasting, resulting in a rapid accumulation of new knowledge. Therefore, we conducted a literature review of relevant studies over the past three years with a view to aiding researchers and practitioners in the field. This review delves deeply into deep learning-based forecasting models, presenting information on model architectures, practical applications, and their respective advantages and disadvantages. In particular, detailed information is provided on advanced models for price forecasting, such as Transformers, generative adversarial networks (GANs), graph neural networks (GNNs), and deep quantum neural networks (DQNNs). The present contribution also includes potential directions for future research, such as examining the effectiveness of deep learning models with complex structures for price forecasting, extending from point prediction to interval prediction using deep learning models, scrutinising the reliability and validity of decomposition ensembles, and exploring the influence of data volume on model performance.

研究の動機と目的

• 2020年から2022年までの金融時系列価格予測に応用されたディープラーニングモデルについて包括的なレビューを提供すること。
• トランスフォーマー、GAN、GNN、DQNNなどの高度なディープラーニングモデルのアーキテクチャ設計、実装、相対的パフォーマンスを分析すること。
• これらのモデルが金融予測の文脈で示す利点と制限を評価すること。
• 主な研究ギャップを特定し、今後の研究方向性を提案すること。具体的には、インターバル予測、アンサンブルの信頼性、データ量の影響に関するものである。

提案手法

• 統合的文献レビュー：統計ファイナンス、機械学習、人工知能分野における2020年から2002年までに発表された査読付き論文を対象とする。
• 金融時系列予測への応用に基づいて、ディープラーニングアーキテクチャを分類・分析すること。
• 予測精度、ボラティリティ市場におけるロバストネスと一般化性能といった主要指標に基づき、モデルパフォーマンスを評価すること。
• 分解ベースのアンサンブル、トランスフォーマーにおけるアテンションメカニズム、GANにおける対抗的トレーニング、GNNにおけるグラフベースモデリングに関する知見を統合すること。
• 量子インスパイアドニューラルネットワーク（DQNN）の金融予測への統合といった、新たなトレンドの評価。
• 報告された結果と実験設定の批判的分析を通じて、メソドロジカルな課題と未解決の問題を同定すること。

実験結果

リサーチクエスチョン

• RQ1 2020年から2022年の間に、ディープラーニングモデルは金融時系列価格予測への応用においてどのように進化したか。
• RQ2 トランスフォーマー、GAN、GNN、DQNNの相対的強みと弱みは、金融資産価格予測においてどのように現れるか。
• RQ3 分解ベースのアンサンブル手法は、金融時系列において予測の信頼性と妥当性をどの程度向上させるか。
• RQ4 データ量は、金融予測タスクにおけるディープラーニングモデルのパフォーマンスと一般化性能にどのように影響するか。
• RQ5 ポイント予測からインターバル予測や確率的予測へと予測を向上させるための、新たな研究方向性は何か。

主な発見

• トランスフォーマーは、自己アテンションメカニズムを通じて、金融時系列における長距離依存関係を強力に捉えることができた。
• 生成的対抗的ネットワーク（GAN）は、合成データ生成およびボラティリティモデリングにうまく適応され、低データ環境下でのロバストネスが向上した。
• グラフニューラルネットワーク（GNN）は、資産間の依存関係と市場ネットワーク構造を効果的にモデル化し、マルチアセット予測を強化した。
• ディープ量子ニューラルネットワーク（DQNN）は、まだ初期段階ではあるが有望な分野であるが、ハードウェアとスケーラビリティの制約により、実証的検証は限定的である。
• 信号分解に基づくアンサンブル手法（例：EMD、VMD）は、予測の安定性が向上したが、その信頼性と妥当性についてはさらなる検証が必要である。
• ポイント予測からインターバル予測や確率的予測へと移行する傾向が顕著になっており、ディープラーニングモデルは不確実性の定量化をますます支援している。