[論文レビュー] Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction

Thanh Trung Huynh, Minh Hieu Nguyen+5 more|arXiv (Cornell University)|Nov 11, 2022

Stock Market Forecasting Methods被引用数 6

ひとこと要約

本稿では、ウェーブレットに基づくハイパーグラフアテンションとLSTMアーキテクチャ内での時系列生成フィルタを用いて、マルチオーダーの株価相関を効率的にモデル化するとともに、個別株式のダイナミクスを捉える深層学習フレームワークESTIMATEを提案する。米国市場の6年間分のデータを用いた評価において、ESTIMATEは利益生成性と予測安定性の両面で最先端手法を上回った。

ABSTRACT

Advances in deep neural network (DNN) architectures have enabled new prediction techniques for stock market data. Unlike other multivariate time-series data, stock markets show two unique characteristics: (i) \emph{multi-order dynamics}, as stock prices are affected by strong non-pairwise correlations (e.g., within the same industry); and (ii) \emph{internal dynamics}, as each individual stock shows some particular behaviour. Recent DNN-based methods capture multi-order dynamics using hypergraphs, but rely on the Fourier basis in the convolution, which is both inefficient and ineffective. In addition, they largely ignore internal dynamics by adopting the same model for each stock, which implies a severe information loss. In this paper, we propose a framework for stock movement prediction to overcome the above issues. Specifically, the framework includes temporal generative filters that implement a memory-based mechanism onto an LSTM network in an attempt to learn individual patterns per stock. Moreover, we employ hypergraph attentions to capture the non-pairwise correlations. Here, using the wavelet basis instead of the Fourier basis, enables us to simplify the message passing and focus on the localized convolution. Experiments with US market data over six years show that our framework outperforms state-of-the-art methods in terms of profit and stability. Our source code and data are available at \url{https://github.com/thanhtrunghuynh93/estimate}.

研究の動機と目的

• 金融市場におけるマルチオーダーのダイナミクスに起因する複雑で非ペアワイズの相関関係を、株価予測において効果的にモデル化する課題に対処すること。
• 従来の手法におけるフーリエベースのハイパーグラフ畳み込みの非効率性と局所化の悪さを克服すること。
• 過剰なパrameter化を伴わずに、個別株式の行動（内部ダイナミクス）を、個別に学習された時系列パターンとして捉えること。
• マルチオーダーおよび内部ダイナミクスの両方を統合した、スケーラブルで効果的な深層学習フレームワークを、定量的トレーディングに適用すること。
• 局所化されたハイパーグラフ学習とメモリ強化型シーケンスモデリングを組み合わせることで、実世界の株価予測における予測精度と収益性を向上させること。

提案手法

• メッセージ伝達を簡素化し、局所化された特徴学習を強化するために、ハイパーグラフ畳み込みにおいてフーリエ基底関数の代わりにウェーブレット基底関数を採用する。
• グループ化された相関株式間の局所的でマルチオーダーの相互作用に焦点を当てた、アテンションベースのハイパーグラフ畳み込み層を設計する。
• 各株式ごとに個別に学習する必要がなく、長期間の時系列パターンを共有しながらもパーソナライズされた学習が可能なように、LSTMネットワークに時系列生成フィルタを統合する。
• 各株式のダイナミクスを、個別にモデルを訓練せずに、適応的に学習できるメモリベースのメカニズムをLSTM内に導入する。
• 業界やセクターごとの相関関係といった、外部知識を用いてマルチストック相関を表現する市場ハイパーグラフを構築する。
• 予測精度だけでなく、実世界のトレーディングパフォーマンスを最適化できるように、利益志向の目的関数を用いてエンドツーエンドでフレームワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 株価予測において、非ペアワイズの相関関係であるマルチオーダーのダイナミクスは、どのようにして効率的にモデル化できるか？
• RQ2 ハイパーグラフ畳み込みにおいてフーリエ基底関数をウェーブレット基底関数に置き換えることで、金融時系列にどのような影響を与えるか？
• RQ3 計算コストが著しく高くなることなく、個別株式のダイナミクス（内部ダイナミクス）を効果的に捉えるにはどうすればよいか？
• RQ4 統一的だがパーソナライズされた学習メカニズムは、予測精度とトレーディング収益性の両方を向上させることができるか？
• RQ5 実世界のデータにおいて、本手法は最先端手法に比べて利益と安定性の両面でどのように性能を発揮するか？

主な発見

• ウェーブレットに基づくハイパーグラフアテンション機構は、フーリエベースの代替手法と比較して計算複雑性を著しく低減するとともに、メッセージ伝達の局所化を維持または向上させた。
• 時系列生成フィルタは、LSTMが個別株式のパターンを効率的に学習可能にし、個別株式のモデル訓練の必要性を排除し、過剰パrameter化を低減した。
• ESTIMATEは、米国株式市場の6年間分のデータにおいて、最先端手法を上回る累積的利益を達成し、優れた実世界のトレーディングパフォーマンスを示した。
• 異なる市場状況下でもパフォーマンスの安定性が高く、ボラティリティや変動する相関関係に対しても頑健であることが示された。
• モデルはコンセプトドリフトに敏感であることが判明し、長期的な展開には時間的に変化するハイパーグラフと外部データ（例：ニュース、決算会議）の統合が不可欠であることが示唆された。
• 実験的結果から、マルチオーダーのダイナミクスと内部ダイナミクスの両方を同時にモデル化することで、片方または両方を無視する手法に比べて顕著なパフォーマンス向上が得られることを確認した。