[論文レビュー] Deep Stock Representation Learning: From Candlestick Charts to Investment Decisions

Guosheng Hu, Yuxin Hu+9 more|arXiv (Cornell University)|Sep 12, 2017

Stock Market Forecasting Methods参考文献 17被引用数 4

ひとこと要約

本稿では、合成ローソク足チャートから非線形的で並進不変性を持つ株式表現を学ぶための畳み込み自己符号化器（CAE）を用いた深層学習ベースの投資戦略を提案する。この戦略により、モジュラリティ最適化を用いた株式クラスタリングと、各クラスタ内でシャープ比が最大の銘柄を選択することで、リスク調整後リターンの高いポートフォリオを構築できる。この手法はFTSE 100指数および複数の有名ファンドを2,000～4,000営業日間にわたり上回り、累計リターン283.5%、1日あたりシャープ比0.50を達成した。

ABSTRACT

We propose a novel investment decision strategy (IDS) based on deep learning. The performance of many IDSs is affected by stock similarity. Most existing stock similarity measurements have the problems: (a) The linear nature of many measurements cannot capture nonlinear stock dynamics; (b) The estimation of many similarity metrics (e.g. covariance) needs very long period historic data (e.g. 3K days) which cannot represent current market effectively; (c) They cannot capture translation-invariance. To solve these problems, we apply Convolutional AutoEncoder to learn a stock representation, based on which we propose a novel portfolio construction strategy by: (i) using the deeply learned representation and modularity optimisation to cluster stocks and identify diverse sectors, (ii) picking stocks within each cluster according to their Sharpe ratio (Sharpe 1994). Overall this strategy provides low-risk high-return portfolios. We use the Financial Times Stock Exchange 100 Index (FTSE 100) data for evaluation. Results show our portfolio outperforms FTSE 100 index and many well known funds in terms of total return in 2000 trading days.

研究の動機と目的

• 従来の株式類似性指標に見られる線形性、高いデータ依存性、並進不変性の欠如といった限界を是正すること。
• 市場の多様なセクターへのデータ駆動型で決定論的なセグメンテーションを実現し、ポートフォリオの分散化を向上させること。
• 株価時系列の深層視覚的表現を活用して、ポートフォリオ構築の観点から投資パフォーマンスを向上させること。
• 実世界の金融応用に適した安定的で再現可能かつリスク管理された投資戦略を提供すること。

提案手法

• 株価時系列（始値、高値、安値、終値）4チャネルを合成ローソク足チャートに変換し、視覚的表現を提供する。
• 数百万枚の合成ローソク足画像を対象に、アンサンブル学習により畳み込み自己符号化器（CAE）を訓練し、深くコン act で意味的豊かである株式表現を学習する。
• 学習済みの深層特徴を用いて株式類似度を計算し、従来の線形指標（例：共分散）に代えてクラスタリングに活用する。
• モジュラリティ最適化——元々ネットワークのコミュニティ検出に用いられる決定論的で、コミュニティ検出手法——を用いて、多様でデータ駆動型のセクターに株式をクラスタリングする。
• 各クラスタ内でシャープ比が最大の銘柄を選択することで、リスク調整後リターンを最大化するポートフォリオを構築する。
• FTSE 100指数を2,000～4,000営業日間にわたり評価し、ベンチマークおよび有名ファンドと比較して戦略のパフォーマンスを検証する。

実験結果

リサーチクエスチョン

• RQ1 ローソク足チャートの深層学習ベースの視覚的表現は、元の時系列データに比べ、株価時系列の非線形的ダイナミクスおよび並進不変パターンをより効果的に捉えられるか？
• RQ2 深層特徴を用いたモジュラリティ最適化に基づくクラスタリングは、k-meansやその他の非決定論的クラスタリング手法に比べ、より安定的かつ多様性に富んだポートフォリオセグメンテーションを可能にするか？
• RQ3 深層特徴に基づき、各クラスタ内でシャープ比が最大の銘柄を選択するポートフォリオは、累計リターンおよびリスク調整後パフォーマンスの観点でFTSE 100指数および主要マニュアルファンドを上回るか？
• RQ4 類似度ベースのクラスタリングおよび投資戦略において、深層特徴は元の時系列データに比べて、どの程度ポートフォリオパフォーマンスを向上させるか？

主な発見

• 提案手法は4,000営業日間にわたり累計リターン283.5%を達成し、FTSE 100指数および元の時系列ベースライン（208.8%）を著しく上回った。
• 深層特徴とモジュラリティクラスタリングを用いた1日あたりのシャープ比0.50は、元の時系列ベースライン（0.44）およびk-meansクラスタリング（0.49）を上回り、より優れたリスク調整後リターンを示した。
• 最大下落率は-60.5%を記録し、元の時系列ベースライン（-55.6%）を下回り、リスク管理の向上を示した。
• 2,000営業日の評価では、累計リターン215.4%、1日あたりシャープ比0.80を達成し、上位のPXIファンド（152.2%リターン、0.60シャープ比）を上回った。
• 利益を上げた年は全体の69.52%にのぼり、大多数のファンドを上回り、多様な市場環境下でも高い安定性を示した。
• モジュラリティベースのクラスタリング手法は、k-meansとは異なり、決定論的で、初期化のランダム性による再現不能性がないという点で優れた性能を示した。