[論文レビュー] DeepFolio: Convolutional Neural Networks for Portfolios with Limit Order Book Data

Aiusha Sangadiev, Rodrigo Rivera-Castro+6 more|arXiv (Cornell University)|Aug 27, 2020

Financial Markets and Investment Strategies参考文献 22被引用数 4

ひとこと要約

DeepFolioは、注文書の価格動きを予測するための畳み込みニューラルネットワーク（CNN）ベースのモデルを提案し、その予測結果を用いて動的投資ポートフォリオを最適化する。FI-2010 LOBと暗号資産データセットの両方で、DeepLOBを凌駕し、リバランスを伴うポートフォリオ配分において、特にデータが限られる状況や市場不安定期において、優れた精度とシャープレシオを達成している。

ABSTRACT

This work proposes DeepFolio, a new model for deep portfolio management based on data from limit order books (LOB). DeepFolio solves problems found in the state-of-the-art for LOB data to predict price movements. Our evaluation consists of two scenarios using a large dataset of millions of time series. The improvements deliver superior results both in cases of abundant as well as scarce data. The experiments show that DeepFolio outperforms the state-of-the-art on the benchmark FI-2010 LOB. Further, we use DeepFolio for optimal portfolio allocation of crypto-assets with rebalancing. For this purpose, we use two loss-functions - Sharpe ratio loss and minimum volatility risk. We show that DeepFolio outperforms widely used portfolio allocation techniques in the literature.

研究の動機と目的

• 既存のLOBベースの価格予測モデルの限界、特にデータ不足への感受性と一般化性能の低さを是正すること。
• LOBデータ内の空間的・時間的パターンを効果的に捉える深層学習フレームワークを構築し、価格トレンド予測の精度を向上させること。
• 価格予測を行動可能なポートフォリオ管理に応用するため、予測結果を統合した動的でリバランスを伴う投資戦略に拡張すること。
• 高変動性の暗号資産市場や危機時を含む多様な市場環境下でのDeepFolioのパフォーマンスを評価すること。
• 深層学習を用いたポートフォリオ最適化において、シャープレシオと最小ボラティリティの2つの損失関数の有効性を比較すること。

提案手法

• 1次元畳み込みニューラルネットワーク（CNN）アーキテクチャを用い、BidおよびAskの各価格レベルにおける価格・量の階層的パターンを抽出する。
• BidおよびAskキューを複数の価格レベルで時間系列テンソルとして処理し、価格変動信号のエンドツーエンド学習を可能にする。
• トランスファーラーニングを採用し、大規模で流動性の高いデータセット（FI-2010）で事前学習し、小規模な暗号資産データセットで微調整することで、データ不足下での一般化性能を向上させる。
• 2種類の異なる損失関数（シャープレシオ最大化と最小ボラティリティリスク最小化）を用いて、価格予測結果をポートフォリオ最適化に統合する。
• 50分ごとにリバランス戦略を適用し、予測リターンに基づいてポートフォリオウェイトを更新する。更新ルールは乗法的リターン更新式：$ p_t = p_{t-1} \cdot \frac{r_t}{r_{t-1}} \cdot w_{t-1} $。
• 分類タスクとして価格方向（上昇／下落）の予測に交差エントロピー損失を用い、ポートフォリオパフォーマンス向上のためのリスク調整済み目的関数で最終層を微調整する。

実験結果

リサーチクエスチョン

• RQ1 データが限られる状況下でも、DeepLOBを凌駆するような深層CNNベースのモデル（DeepFolio）が、LOBデータからの価格動き予測において優れた性能を示せるか？
• RQ2 トランスファーラーニングは、流動性が低く変動性の高い暗号資産市場に適用された場合、LOBベースのモデルの一般化性能をどの程度向上できるか？
• RQ3 リスク調整済みの損失関数（例：シャープレシオ）を用いて深層学習予測をポートフォリオ最適化に統合することで、従来手法に比べて優れたポートフォリオパフォーマンスが得られるか？
• RQ4 COVID-19危機期のような市場不安定期において、DeepFolioはベースラインポートフォリオ戦略に比べてどの程度のパフォーマンスを示すか？
• RQ5 ポートフォリオ配分ポリシーの学習に用いる損失関数として、シャープレシオと最小ボラティリティのどちらが、より優れたリスク調整リターンをもたらすか？

主な発見

• FI-2010ベンチマークにおいて、1分予測時間軸でDeepFolioは89.9％の正解率、93.14％の適合率、89.9％の再現率、90.4％のF1スコアを達成し、DeepLOBの86.69％正解率および87.44％F1スコアを上回った。
• 暗号資産データセットでは、20分予測時間軸でF1スコアが4.56ポイント上昇（57.6％から61.57％）し、データ不足下でも高いロバスト性を示した。
• トランスファーラーニングにより、DeepFolioは効果的に一般化が可能であることが確認された。未学習の暗号資産に対しても高いパフォーマンスを維持しており、過学習ではなく一般的なLOBパターンの学習が行われていることが示された。
• シャープレシオ損失を用いたDeepFolioは、テストセットで最高のシャープレシオ（0.053069）と平均リターン（0.040126）を達成し、Markowitz（SR: 0.025998）、1/n（0.040234）、MV損失を用いたDeepFolio（0.041746）を上回った。
• 累積対数リターン分析において、COVID-19危機期（2020年2月以降）に、シャープレシオ損失を用いたDeepFolioが最も優れたパフォーマンスを示し、市場不安定期における耐性を確認した。
• すべての予測時間軸（k=1～k=20）で安定したパフォーマンスを維持しており、特に長期予測において再現率およびF1スコアで一貫した改善が見られた。