[論文レビュー] Dynamic Mode Decomposition for Financial Trading Strategies

Jordan Mann, J. Nathan Kutz|RePEc: Research Papers in Economics|Aug 18, 2015

Machine Fault Diagnosis Techniques被引用数 11

ひとこと要約

本論文では、動的モード分解（DMD）を用いて金融時系列から低ランクで時間的に整合性のある市場構造を抽出するデータ駆動型のアルゴリズム取引戦略を提案する。スナップショットベースの回帰によるコープマン作用素の近似により、短期間の市場予測と適応的取引意思決定が可能となり、最適化されたサンプリングおよび予測ウィンドウを用いて、複数のセクターで安定したパフォーマンスを達成する。

ABSTRACT

We demonstrate the application of an algorithmic trading strategy based upon the recently developed dynamic mode decomposition (DMD) on portfolios of financial data. The method is capable of characterizing complex dynamical systems, in this case financial market dynamics, in an equation-free manner by decomposing the state of the system into low-rank terms whose temporal coefficients in time are known. By extracting key temporal coherent structures (portfolios) in its sampling window, it provides a regression to a best fit linear dynamical system, allowing for a predictive assessment of the market dynamics and informing an investment strategy. The data-driven analytics capitalizes on stock market patterns, either real or perceived, to inform buy/sell/hold investment decisions. Critical to the method is an associated learning algorithm that optimizes the sampling and prediction windows of the algorithm by discovering trading hot-spots. The underlying mathematical structure of the algorithms is rooted in methods from nonlinear dynamical systems and shows that the decomposition is an effective mathematical tool for data-driven discovery of market patterns.

研究の動機と目的

• 事前に定義された力学的モデルを仮定せずに、一時的な市場パターンを同定するデータ駆動型で方程式フリーな取引戦略の開発。
• 動的モード分解（DMD）を活用してポートフォリオデータから低ランクの時間的整合性を持つ構造を抽出し、短期間の市場状態予測を可能にする。
• 「取引ホットスポット」を検出する学習アルゴリズムを用いて、履歴の成功確率に基づき反復的に最適なサンプリングおよび予測ウィンドウ長を動的に選択することで、戦略パフォーマンスの向上を図る。
• テクノロジー、バイオテック、輸送、銀行など多様な金融セクターにわたり、本手法のロバスト性を実証する。
• 非線形力学系と機械学習の概念を統合することで、DMDを現代的で適応的金融分析ツールとして位置付ける。

提案手法

• 指定された時間ウィンドウ内のポートフォリオリターンからスナップショット行列を構築し、金融時系列データにDMDを適用する。
• スナップショット行列に対して適切な直交分解（POD）を実施し、支配的動的モードおよびその時間的係数を抽出する。
• スナップショットデータに対する線形回帰を用いてコープマン作用素を近似し、時間スケールのダイナミクスを表す固有値および固有ベクトルを導出する。
• DMDモードおよび固有値を用いて、分解の線形ダイナミクスに従って時間的に前方に発展させることで、将来の市場状態を予測する。
• 履歴の成功確率に基づき、反復的に最適なサンプリングおよび予測ウィンドウ長を選択する適応的学習アルゴリズムを実装する。
• 局所的パフォーマンス（例：平均成功率が53％を超える3×3グリッド）を評価することで「取引ホットスポット」を検出し、条件が好都合である場合にのみ取引を実行する。

実験結果

リサーチクエスチョン

• RQ1 DMDは、非 stationarity で多スケールな金融時系列から、予測可能で低ランクの力学的構造を効果的に抽出できるか？
• RQ2 DMDに基づく戦略は、異なる市場セクターにおいて、バリューベース戦略や他のベンチマーク手法と比較して、どのようにパフォーマンスを発揮するか？
• RQ3 変化する市場レジームにおいて、取引パフォーマンスを最大化するための、サンプリングおよび予測ウィンドウの最適な設定は何か？
• RQ4 本手法は、従来のPCAやARIMAモデルが捉え損なう一時的で一時的な信号を検出し、活用できるか？
• RQ5 DMDフレームワークは、圧縮センシング、制御認識DMD、またはカーネル法を組み合わせることで、金融モデリングの強化にどの程度拡張可能か？

主な発見

• DMDベースの戦略は、パフォーマンスホットスポットに基づく動的ウィンドウ選択により、83％の取引成功率を達成した。
• 本手法は、テクノロジー、バイオテック、輸送、銀行など多様なセクターで一貫した優位性を示し、広範なロバスト性を示した。
• 最適なサンプリングおよび予測ウィンドウは、それぞれ9日および4日でピークに達し、実証的パフォーマンスパターンと一致した。
• DMDは、静的特性を持つ従来のSVDやPCA手法が解明できない一時的で非定常な市場ダイナミクスを効果的に捉えた。
• ウィンドウ最適化のための学習アルゴリズムの統合により、成功確率の高い取引機会に集中することで、戦略パフォーマンスが顕著に向上した。
• コープマン作用素に基づく基礎付けにより、明示的なモデル方程式を必要とせず、非線形市場ダイナミクスの線形近似が可能となった。