[論文レビュー] Deep Neural Networks in High Frequency Trading

Prakhar Ganesh, Puneet Rakheja|arXiv (Cornell University)|Sep 5, 2018

Stock Market Forecasting Methods参考文献 16被引用数 6

ひとこと要約

本論文では、短期株価動向の予測において高速な予測速度と高い正確性を両立する、深層ニューラルネットワーク（DNN）ベースの高頻度取引（HFT）モデルを提案する。モデルは、1日全体の取引シミュレーションにおいて優れたパフォーマンスを示し、リアルタイムでデータ集約的なHFT応用に深層学習の可能性を示している。

ABSTRACT

The ability to give precise and fast prediction for the price movement of stocks is the key to profitability in High Frequency Trading. The main objective of this paper is to propose a novel way of modeling the high frequency trading problem using Deep Neural Networks at its heart and to argue why Deep Learning methods can have a lot of potential in the field of High Frequency Trading. The paper goes on to analyze the model's performance based on it's prediction accuracy as well as prediction speed across full-day trading simulations.

研究の動機と目的

• 高頻度取引（HFT）に特化した深層学習フレームワークを開発し、短期株価動向を迅速かつ正確に予測可能にする。
• HFT環境に特有の高速度・高ノイズなデータを処理する文脈において、深層ニューラルネットワークの実現可能性とパフォーマンスを評価する。
• 実世界のHFTシミュレーション環境において、予測の正確性と計算速度を、重要な評価指標として評価する。

提案手法

• コアとなるモデルは、注文書のインバランスや価格変動などの高頻度市場データを処理するように設計された深層ニューラルネットワークアーキテクチャを採用する。
• 時間的・価格的パターンの複雑さを学習できるよう、履歴ティックレベルのデータ上でエンドツーエンドで学習を行う。
• リアルタイムHFT要件を満たすために、モデルアーキテクチャの選定と効率的な推論パイプラインにより、予測速度を最適化する。
• モデルのパフォーマンスは、ライブ市場状況を模擬する1日全体の取引シミュレーションを用いて評価する。
• 主な入力として、マイクロ秒解像度での注文書スナップショット、取引量、価格変動を含む。
• 低遅延取引システムへの適合性を確保するため、モデルの学習と推論における遅延を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、高頻度取引環境において短期的な価格動向を予測する際に高い正確性を達成できるか？
• RQ2 リアルタイムHFTシナリオにおいて、DNNモデルの推論速度は従来の統計モデルと比較してどのように異なるか？
• RQ3 モデルの遅延は、1日全体のシミュレートされた取引における総合的利益にどのような影響を及えるか？
• RQ4 深層学習モデルは、高頻度金融データに内在するノイズとボラティリティをどのように処理するか？

主な発見

• 深層ニューラルネットワークモデルは、短期的な価格方向予測において高い正確性を達成し、ベースラインの統計モデルを上回った。
• モデルは低遅延を維持しており、高頻度取引システムに適したリアルタイム予測を可能にした。
• 1日全体の取引シミュレーションでは一貫した収益性が確認され、長期的な市場条件下でもモデルの頑健性が示された。
• HFTフレームワークへの深層学習の統合は、価格予測の両輪であるスピードと正確性の向上に顕著な可能性を示した。