[論文レビュー] Deep Recurrent Factor Model: Interpretable Non-Linear and Time-Varying Multi-Factor Model

Kei Nakagawa, Tomoki Ito+2 more|arXiv (Cornell University)|Jan 20, 2019

Stock Market Forecasting Methods参考文献 27被引用数 9

ひとこと要約

本稿では、長短期記憶（LSTM）ネットワークを用いて線形多因子モデルを非線形的かつ時変化的へ拡張する深層再帰的要因モデルを提案する。同時に、層別尤性伝播（LRP）を用いて解釈可能性を確保する。この手法は、線形モデルおよび全結合型ディープラーニングモデルと比較して、日本の株式市場データにおいて優れた予測性能を達成し、機関投資家が利用可能な高精度かつ透明性の高いモデルを提供する。

ABSTRACT

A linear multi-factor model is one of the most important tools in equity portfolio management. The linear multi-factor models are widely used because they can be easily interpreted. However, financial markets are not linear and their accuracy is limited. Recently, deep learning methods were proposed to predict stock return in terms of the multi-factor model. Although these methods perform quite well, they have significant disadvantages such as a lack of transparency and limitations in the interpretability of the prediction. It is thus difficult for institutional investors to use black-box-type machine learning techniques in actual investment practice because they should show accountability to their customers. Consequently, the solution we propose is based on LSTM with LRP. Specifically, we extend the linear multi-factor model to be non-linear and time-varying with LSTM. Then, we approximate and linearize the learned LSTM models by LRP. We call this LSTM+LRP model a deep recurrent factor model. Finally, we perform an empirical analysis of the Japanese stock market and show that our recurrent model has better predictive capability than the traditional linear model and fully-connected deep learning methods.

研究の動機と目的

• 金融市場における非線形的かつ時変化的なダイナミクスを捉えることができない線形多因子モデルの限界を克服すること。
• 従来の線形モデルおよび全結合型ディープラーニング手法を上回る株式リターン予測の精度を向上させること。
• LSTMベースのモデルに層別尤性伝播（LRP）を適用することで、金融分野におけるディープラーニングモデルの解釈可能性を確保すること。
• 機関投資家が説明責任を果たせる形で、高度な機械学習モデルを活用できるようにすること。これにより『ブラックボックス』問題を克服する。
• 実世界の日本の株式市場データを用いて、モデルの性能を実証的に検証すること。

提案手法

• 線形多因子モデルの線形変換を深層LSTMネットワークに置き換えることで、非線形的かつ時変化する要因負荷を捉える。
• 履歴的な要因露出とリターンを時間軸に沿って処理する系列モデリングアプローチを採用し、動的関係を学習する。
• 予測の特徴量重要度の解釈を可能にするために、LSTMモデルの予測を近似・線形化する層別尤性伝播（LRP）を適用する。
• 株式リターン予測を目的関数として、エンドツーエンドのLSTMモデルを学習し、予測の解釈には後処理としてLRPを用いる。
• ディープラーニングの予測力とLRPの解釈性を融合したハイブリッドアーキテクチャを採用する。
• 線形モデルおよび全結合型ディープラーニングベースラインと比較するため、日本の株式市場データセットを用いてモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、線形多因子モデルと比較して、株式リターンの予測精度を向上させることができるか？
• RQ2 LSTMを用いて時変化的かつ非線形的な要因負荷を組み込むことで、静的モデルや全結合型ディープラーニングモデルと比較して性能が向上するか？
• RQ3 層別尤性伝播（LRP）は、金融分野におけるLSTMベースの多因子モデルの予測を効果的に説明できるか？
• RQ4 提案手法は、優れた予測性能を達成しつつ、どの程度解釈可能性を維持できるか？
• RQ5 深層再帰的要因モデルは、実世界の日本の株式市場データにおいて、どのように実証的に性能を発揮するか？

主な発見

• 深層再帰的要因モデルは、日本の市場データにおいて、従来の線形多因子モデルと比較して顕著に優れた株式リターン予測性能を示した。
• 全結合型ディープラーニングモデルと比較しても、本モデルは優れた予測性能を達成しており、LSTMを用いた系列モデリングの利点が裏付けられた。
• LRPは、LSTMモデルの予測に対して解釈可能な説明を提供し、入力要因に尤性スコアを割り当てることに成功した。
• モデルの時変化的かつ非線形的な性質により、静的モデルと比較して、市場の動的レジームをより効果的に捉えることができた。
• 実証的結果から、LSTMとLRPの組み合わせは、高精度かつ透明性の高いモデルを実現しており、機関投資家による利用に適していることが確認された。
• 本モデルは、実世界の金融データにおいても頑健性と一般化性能を示しており、実用的応用の妥当性が裏付けられた。